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
- Transcending Forgery Specificity with Latent Space Augmentation for
Generalizable Deepfake Detection [61.845902530915325]
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。
それは偽りの考えに基づいており、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) - Towards End-to-End Unsupervised Saliency Detection with Self-Supervised
Top-Down Context [25.85453873366275]
トップダウンコンテキストを介し、自己教師付きエンドツーエンドの有能なオブジェクト検出フレームワークを提案する。
最も深い特徴から自己ローカライゼーションを生かして位置マップを構築し,最も指導的なセグメンテーション指導を学習する。
提案手法は,近年のエンド・ツー・エンド手法と,多段階ソリューションの大部分において,先行的な性能を実現する。
論文 参考訳(メタデータ) (2023-10-14T08:43:22Z) - Learning Remote Sensing Object Detection with Single Point Supervision [17.12725535531483]
Pointly Supervised Object Detection (PSOD) は、ボックスレベルの監視対象検出と比較してラベリングコストが低いため、かなりの関心を集めている。
本研究では,RS画像に適したPSOD法を提案する。
提案手法は,最先端の画像レベルとポイントレベルの教師付き検出法と比較して性能が大幅に向上し,PSODとボックスレベルの教師付きオブジェクト検出の差を低減できる。
論文 参考訳(メタデータ) (2023-05-23T15:06:04Z) - 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) - Distilling Image Classifiers in Object Detectors [81.63849985128527]
本研究では, 物体検出の事例について検討し, 標準検出器-検出器蒸留法に従わず, 分類器-検出器間知識伝達フレームワークを導入する。
特に,検知器の認識精度とローカライゼーション性能を両立させるため,分類教師を利用する手法を提案する。
論文 参考訳(メタデータ) (2021-06-09T16:50:10Z) - 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。