論文の概要: Improving the Detection of Small Oriented Objects in Aerial Images
- arxiv url: http://arxiv.org/abs/2401.06503v1
- Date: Fri, 12 Jan 2024 11:00:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 19:45:34.065110
- Title: Improving the Detection of Small Oriented Objects in Aerial Images
- Title(参考訳): 空中画像における小型オブジェクト指向物体の検出の改善
- Authors: Chandler Timm C. Doloriel and Rhandley D. Cajote
- Abstract要約: 本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。
ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。
実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Small oriented objects that represent tiny pixel-area in large-scale aerial
images are difficult to detect due to their size and orientation. Existing
oriented aerial detectors have shown promising results but are mainly focused
on orientation modeling with less regard to the size of the objects. In this
work, we proposed a method to accurately detect small oriented objects in
aerial images by enhancing the classification and regression tasks of the
oriented object detection model. We designed the Attention-Points Network
consisting of two losses: Guided-Attention Loss (GALoss) and Box-Points Loss
(BPLoss). GALoss uses an instance segmentation mask as ground-truth to learn
the attention features needed to improve the detection of small objects. These
attention features are then used to predict box points for BPLoss, which
determines the points' position relative to the target oriented bounding box.
Experimental results show the effectiveness of our Attention-Points Network on
a standard oriented aerial dataset with small object instances (DOTA-v1.5) and
on a maritime-related dataset (HRSC2016). The code is publicly available.
- Abstract(参考訳): 大規模空中画像において小さな画素領域を表す小さな指向性物体は、その大きさと向きのため検出が困難である。
既存の指向型空中検出器は有望な結果を示しているが、主に対象のサイズについてはあまり重視されていない。
本研究では,対象物検出モデルの分類と回帰タスクを改良し,空中画像中の小型物体を高精度に検出する手法を提案する。
我々は2つの損失からなる注意点ネットワークをデザインした:導電性アテンション損失(galoss)とボックスポイント損失(bploss)である。
GALossはインスタンスセグメンテーションマスクを地平線として使用し、小さなオブジェクトの検出を改善するのに必要な注意機能を学ぶ。
これらの注目機能はBPLosのボックスポイントを予測するために使用され、ターゲット指向境界ボックスに対するポイントの位置を決定する。
実験結果は,小型オブジェクトインスタンス(dota-v1.5)と海洋関連データセット(hrsc2016)を用いた標準指向空中データセット上での注意点ネットワークの有効性を示す。
コードは公開されている。
関連論文リスト
- Small Object Tracking in LiDAR Point Cloud: Learning the
Target-awareness Prototype and Fine-grained Search Region [4.515917777731159]
本稿では,LiDAR 点群における小物体追跡のためのSiamese ネットワーク方式を提案する。
提案手法は, 対象物に影響を及ぼすことなく, 目標物の追跡性能を効果的に向上させることができる。
論文 参考訳(メタデータ) (2024-01-24T08:02:44Z) - PointOBB: Learning Oriented Object Detection via Single Point
Supervision [55.88982271340328]
本稿では,オブジェクト指向物体検出のための最初の単一点ベース OBB 生成法である PointOBB を提案する。
PointOBBは、オリジナルビュー、リサイズビュー、ローテーション/フリップ(rot/flp)ビューの3つのユニークなビューの協調利用を通じて動作する。
DIOR-RとDOTA-v1.0データセットの実験結果は、PointOBBが有望な性能を達成することを示す。
論文 参考訳(メタデータ) (2023-11-23T15:51:50Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - Density Crop-guided Semi-supervised Object Detection in Aerial Images [12.944309759825902]
空中画像における物体検出のための密度作物誘導半監視検出器を提案する。
トレーニング中、ラベル付き画像とラベルなし画像から識別されたクラスタの画像作物を使用してトレーニングセットを増強する。
推論中、検出器は興味のある物体を検出できるが、小さな物体の密度が高い領域も検出できる。
論文 参考訳(メタデータ) (2023-08-09T15:59:42Z) - Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。
我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
論文 参考訳(メタデータ) (2022-08-23T07:29:03Z) - Detecting tiny objects in aerial images: A normalized Wasserstein
distance and a new benchmark [45.10513110142015]
本稿では, 正規化ワッサースタイン距離 (NWD) と呼ばれる新しい評価基準と, 小型物体検出のためのRanKing-based Assigning (RKA) 戦略を提案する。
提案したNWD-RKA戦略は、標準のIoUしきい値に基づくものを置き換えるために、あらゆる種類のアンカーベースの検出器に容易に組み込むことができる。
4つのデータセットでテストされたNWD-RKAは、大きなマージンで小さなオブジェクト検出性能を継続的に改善することができる。
論文 参考訳(メタデータ) (2022-06-28T13:33:06Z) - Focus-and-Detect: A Small Object Detection Framework for Aerial Images [1.911678487931003]
我々はFocus-and-Detectと呼ばれる2段階のオブジェクト検出フレームワークを提案する。
第1段階は、焦点領域を構成するオブジェクトのクラスタを生成する。
第2段階は対象検出器ネットワークであり、焦点領域内の物体を予測する。
提案した2段階のフレームワークは,VisDrone検証データセットのAPスコアが42.06であることを示す。
論文 参考訳(メタデータ) (2022-03-24T10:43:56Z) - You Better Look Twice: a new perspective for designing accurate
detectors with reduced computations [56.34005280792013]
BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。
非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。
結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
論文 参考訳(メタデータ) (2021-07-21T12:39:51Z) - SCRDet++: Detecting Small, Cluttered and Rotated Objects via
Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
小さくて散らばった物体は実世界では一般的であり、検出は困難である。
本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。
機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
論文 参考訳(メタデータ) (2020-04-28T06:03:54Z) - PENet: Object Detection using Points Estimation in Aerial Images [9.33900415971554]
これらの課題に対処するために,新しいネットワーク構造であるポイント推定ネットワーク(PENet)を提案する。
PENetはMask Resampling Module(MRM)を使用して、不均衡なデータセットを増大させ、粗いアンカーフリー検出器(CPEN)で小さなオブジェクトクラスタの中心点を効果的に予測し、微細なアンカーフリー検出器FPENで小さなオブジェクトの正確な位置を特定する。
航空データセット visDrone と UAVDT による実験により,PENet は既存の最先端手法よりも精度の高い結果を得た。
論文 参考訳(メタデータ) (2020-01-22T19:43:17Z)
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。