論文の概要: Robust Tiny Object Detection in Aerial Images amidst Label Noise
- arxiv url: http://arxiv.org/abs/2401.08056v1
- Date: Tue, 16 Jan 2024 02:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 15:26:15.585593
- Title: Robust Tiny Object Detection in Aerial Images amidst Label Noise
- Title（参考訳）: ラベル雑音下での空中画像におけるロバストティニー物体検出
- Authors: Haoran Zhu, Chang Xu, Wen Yang, Ruixiang Zhang, Yan Zhang, Gui-Song
Xia
- Abstract要約: 本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。
本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。
本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
- 参考スコア（独自算出の注目度）: 50.257696872021164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise detection of tiny objects in remote sensing imagery remains a
significant challenge due to their limited visual information and frequent
occurrence within scenes. This challenge is further exacerbated by the
practical burden and inherent errors associated with manual annotation:
annotating tiny objects is laborious and prone to errors (i.e., label noise).
Training detectors for such objects using noisy labels often leads to
suboptimal performance, with networks tending to overfit on noisy labels. In
this study, we address the intricate issue of tiny object detection under noisy
label supervision. We systematically investigate the impact of various types of
noise on network training, revealing the vulnerability of object detectors to
class shifts and inaccurate bounding boxes for tiny objects. To mitigate these
challenges, we propose a DeNoising Tiny Object Detector (DN-TOD), which
incorporates a Class-aware Label Correction (CLC) scheme to address class
shifts and a Trend-guided Learning Strategy (TLS) to handle bounding box noise.
CLC mitigates inaccurate class supervision by identifying and filtering out
class-shifted positive samples, while TLS reduces noisy box-induced erroneous
supervision through sample reweighting and bounding box regeneration.
Additionally, Our method can be seamlessly integrated into both one-stage and
two-stage object detection pipelines. Comprehensive experiments conducted on
synthetic (i.e., noisy AI-TOD-v2.0 and DOTA-v2.0) and real-world (i.e., AI-TOD)
noisy datasets demonstrate the robustness of DN-TOD under various types of
label noise. Notably, when applied to the strong baseline RFLA, DN-TOD exhibits
a noteworthy performance improvement of 4.9 points under 40% mixed noise.
Datasets, codes, and models will be made publicly available.
- Abstract（参考訳）: リモートセンシング画像における微小物体の正確な検出は、視覚情報に制限があり、シーン内で頻繁に発生するため、依然として重要な課題である。
この課題は、手動のアノテーションに関連する実践的な負担と固有のエラーによってさらに悪化し、小さなオブジェクトの注釈付けは面倒であり、エラー(ラベルノイズ)を起こしやすい。
ノイズラベルを用いた物体のトレーニングは、しばしば準最適性能をもたらすが、ネットワークはノイズラベルに過度に適合する傾向がある。
本研究では,ノイズラベル管理下での微小物体検出の複雑な問題に対処する。
各種ノイズがネットワークトレーニングに与える影響を系統的に検討し,小物体に対するクラスシフトや不正確な境界ボックスに対する物体検出の脆弱性を明らかにする。
これらの課題を軽減するために,クラスシフトに対応するためのクラス認識ラベル補正(CLC)スキームと,境界ボックスノイズに対処するトレンド誘導学習戦略(TLS)を組み込んだDN-TOD(DeNoising Tiny Object Detector)を提案する。
CLCは、クラスシフトされた陽性サンプルを識別・フィルタリングし、TLSはサンプルの重み付けとバウンディングボックスの再生を通じてノイズボックスが引き起こした誤った監督を減じる。
さらに,本手法は1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
合成(AI-TOD-v2.0およびDOTA-v2.0)および実世界(AI-TOD)における総合的な実験は、様々な種類のラベルノイズ下でのDN-TODの堅牢性を示す。
特に、強いベースラインRFLAに適用すると、DN-TODは40%混合雑音下で4.9ポイントの注目すべき性能向上を示す。
データセット、コード、モデルは公開される予定だ。
関連論文リスト
- Dynamic Loss Decay based Robust Oriented Object Detection on Remote Sensing Images with Noisy Labels [17.211935951030114]
本研究では,動的損失減衰(DLD)機構を用いた頑健な指向性リモートセンシングオブジェクト検出手法を提案する。
弊社のソリューションは、2023年のNational Big Data and Computing Intelligence Challengeのノイズの多いラベルで、“サブメーターのリモートセンシング画像に基づくきめ細かいオブジェクト検出”の2位を獲得した。
論文 参考訳（メタデータ） (2024-05-15T01:29:28Z) - SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。
本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。
既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
論文 参考訳（メタデータ） (2024-03-21T08:49:34Z) - 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) - Incremental-DETR: Incremental Few-Shot Object Detection via
Self-Supervised Learning [60.64535309016623]
本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。
まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。
さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
論文 参考訳（メタデータ） (2022-05-09T05:08:08Z) - SWIPENET: Object detection in noisy underwater images [41.35601054297707]
本稿では,この2つの問題に対処するために,Sample-WeIghted hyPEr Network(SWIPENET)とCurriculum Multi-Class Adaboost(CMA)という堅牢なトレーニングパラダイムを提案する。
SWIPENETのバックボーンは、複数の高解像度かつセマンティックリッチなハイパーフィーチャーマップを生成し、小さなオブジェクト検出を大幅に改善する。
簡単な概念から難しい概念まで学習を促進する人間の教育プロセスに着想を得て,まず騒音の影響を受けないクリーンな検出器を訓練するCMA訓練パラダイムを提案する。
論文 参考訳（メタデータ） (2020-10-19T16:41:20Z) - 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) - Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。
ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。
ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
論文 参考訳（メタデータ） (2020-03-03T01:32:16Z) - Progressive Object Transfer Detection [84.48927705173494]
本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。
第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。
第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
論文 参考訳（メタデータ） (2020-02-12T00:16:24Z)
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。