論文の概要: Trash to Treasure: Low-Light Object Detection via Decomposition-and-Aggregation

• arxiv url: http://arxiv.org/abs/2309.03548v1
• Date: Thu, 7 Sep 2023 08:11:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 13:58:45.028534
• Title: Trash to Treasure: Low-Light Object Detection via Decomposition-and-Aggregation
• Title（参考訳）: 宝物:分解・凝集による低光度物体検出
• Authors: Xiaohan Cui, Long Ma, Tengyu Ma, Jinyuan Liu, Xin Fan, Risheng Liu
• Abstract要約: 低照度シナリオにおけるオブジェクト検出は、ここ数年で多くの注目を集めています。 主流で代表的なスキームは、レギュラー検出器の前処理としてエンハンサーを導入している。 本研究では,エンハンサー+検出器のポテンシャルを喚起する。
• 参考スコア（独自算出の注目度）: 76.45506517198956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection in low-light scenarios has attracted much attention in the past few years. A mainstream and representative scheme introduces enhancers as the pre-processing for regular detectors. However, because of the disparity in task objectives between the enhancer and detector, this paradigm cannot shine at its best ability. In this work, we try to arouse the potential of enhancer + detector. Different from existing works, we extend the illumination-based enhancers (our newly designed or existing) as a scene decomposition module, whose removed illumination is exploited as the auxiliary in the detector for extracting detection-friendly features. A semantic aggregation module is further established for integrating multi-scale scene-related semantic information in the context space. Actually, our built scheme successfully transforms the "trash" (i.e., the ignored illumination in the detector) into the "treasure" for the detector. Plenty of experiments are conducted to reveal our superiority against other state-of-the-art methods. The code will be public if it is accepted.
• Abstract（参考訳）: 低照度シナリオにおける物体検出は、ここ数年で注目を集めている。 主流かつ代表的なスキームは、正規検出器の前処理としてエンハンサーを導入する。 しかしながら、エンハンサーと検出器のタスク目標の相違のため、このパラダイムは最高の能力では輝けない。 本研究では,エンハンサー+検出器の可能性について検討する。 既存の作品と異なり、照明を除去したシーン分解モジュールとして照明ベースのエンハンサー(新しく設計されたまたは既存のもの)を拡張し、検出フレンドリーな特徴を抽出するための検出器の補助として活用する。 コンテキスト空間に複数スケールのシーン関連セマンティック情報を統合するためのセマンティックアグリゲーションモジュールをさらに確立する。 実際、我々の構築したスキームは「トラッシュ」(すなわち検出器の無視された照明)を検出器の「トラス」に変換することに成功した。 他の最先端手法に対する我々の優位性を明らかにするために、数多くの実験が行われた。 コードが受け入れられれば公開されます。

関連論文リスト

• You Only Look Around: Learning Illumination Invariant Feature for Low-light Object Detection [46.636878653865104]
  低照度シナリオにおけるオブジェクト検出のための新しいフレームワークであるYOLAを紹介する。 ランベルト画像形成モデルを用いて照明不変の特徴を学習する。 実験により,低照度物体検出タスクの大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-10-24T03:23:50Z)
• MutDet: Mutually Optimizing Pre-training for Remote Sensing Object Detection [36.478530086163744]
  本研究では,MutDetと呼ばれるリモートセンシングオブジェクト検出のための,Mutally最適化事前学習フレームワークを提案する。 MutDetはオブジェクトの埋め込みを融合し、検出器は最後のエンコーダ層に双方向に機能し、情報インタラクションを強化する。 様々な環境での実験は、新しい最先端の転送性能を示している。
  論文  参考訳（メタデータ） (2024-07-13T15:28:15Z)
• FakeInversion: Learning to Detect Images from Unseen Text-to-Image Models by Inverting Stable Diffusion [18.829659846356765]
  本稿では,オープンソース事前学習型安定拡散モデルを用いて得られた特徴を用いた新しい合成画像検出器を提案する。 これらの逆転により、検出器は高視力の未確認発電機によく一般化できることが示される。 本稿では, 逆画像探索を用いて, 検出器評価におけるスタイリスティックおよびテーマバイアスを緩和する, 新たな挑戦的評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2024-06-12T19:14:58Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• Transcending Forgery Specificity with Latent Space Augmentation for Generalizable Deepfake Detection [57.646582245834324]
  LSDAと呼ばれる簡易で効果的なディープフェイク検出器を提案する。 より多様な偽の表現は、より一般化可能な決定境界を学べるべきである。 提案手法は驚くほど有効であり, 広く使用されている複数のベンチマークで最先端の検出器を超越することを示す。
  論文  参考訳（メタデータ） (2023-11-19T09:41:10Z)
• Learning Object-level Point Augmentor for Semi-supervised 3D Object Detection [85.170578641966]
  半教師付き3次元オブジェクト検出のための局所変換を行うオブジェクトレベルポイント拡張器(OPA)を提案する。 このようにして、結果のオーグメンタは、無関係なバックグラウンドではなく、オブジェクトインスタンスを強調するように導出されます。 ScanNetとSUN RGB-Dデータセットの実験は、提案したOPAが最先端の手法に対して好適に動作することを示している。
  論文  参考訳（メタデータ） (2022-12-19T06:56:14Z)
• Unsupervised Change Detection in Hyperspectral Images using Feature Fusion Deep Convolutional Autoencoders [15.978029004247617]
  本研究の目的は,機能融合深部畳み込みオートエンコーダを用いた特徴抽出システムの構築である。 提案手法は,全データセットの教師なし変更検出において,工法の状態よりも明らかに優れていた。
  論文  参考訳（メタデータ） (2021-09-10T16:52:31Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Black-box Explanation of Object Detectors via Saliency Maps [66.745167677293]
  対象検出器の予測のための視覚的説明を生成するD-RISEを提案する。 本稿では, YOLOv3などの1段検出器やFaster-RCNNのような2段検出器など, 異なる対象検出器に容易にD-RISEを適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-05T02:13:35Z)
• Context-Transformer: Tackling Object Confusion for Few-Shot Detection [0.0]
  本稿では,簡潔なディープトランスフレームワークにおけるコンテキスト変換器を提案する。 Context-Transformerは、ソースドメインオブジェクトの知識をガイダンスとして効果的に活用することができる。 これらのリレーショナルな手がかりを適応的に統合して、検出器の識別力を高めることができる。
  論文  参考訳（メタデータ） (2020-03-16T16:17:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。