論文の概要: $\textit{A Contrario}$ Paradigm for YOLO-based Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2402.02288v1
• Date: Sat, 3 Feb 2024 23:02:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 20:50:38.134171
• Title: $\textit{A Contrario}$ Paradigm for YOLO-based Infrared Small Target Detection
• Title（参考訳）: yoloベースの赤外線小目標検出のための$\textit{a contrario}$パラダイム
• Authors: Alina Ciocarlan, Sylvie Le H\'egarat-Mascle, Sidonie Lefebvre, Arnaud Woiselle, Clara Barbanson
• Abstract要約: YOLO検出器のトレーニングに$textita contrario$ decision criterionを導入する。 後者は、textitunexpectedness$の小さなターゲットを利用して、それらを複雑な背景から識別する。
• 参考スコア（独自算出の注目度）: 0.9374652839580183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting small to tiny targets in infrared images is a challenging task in computer vision, especially when it comes to differentiating these targets from noisy or textured backgrounds. Traditional object detection methods such as YOLO struggle to detect tiny objects compared to segmentation neural networks, resulting in weaker performance when detecting small targets. To reduce the number of false alarms while maintaining a high detection rate, we introduce an $\textit{a contrario}$ decision criterion into the training of a YOLO detector. The latter takes advantage of the $\textit{unexpectedness}$ of small targets to discriminate them from complex backgrounds. Adding this statistical criterion to a YOLOv7-tiny bridges the performance gap between state-of-the-art segmentation methods for infrared small target detection and object detection networks. It also significantly increases the robustness of YOLO towards few-shot settings.
• Abstract（参考訳）: 赤外線画像から小さなターゲットを検出することは、特にノイズやテクスチャの多い背景からターゲットを区別する上で、コンピュータビジョンにおいて難しい課題である。 YOLOのような従来のオブジェクト検出手法では、セグメンテーションニューラルネットワークに比べて小さなオブジェクトを検出できないため、小さなターゲットを検出する場合のパフォーマンスが低下する。 高検出率を維持しながら誤報数を減らすため, YOLO検出器のトレーニングに$\textit{a contrario}$決定基準を導入する。 後者は$\textit{unexpectedness}$の小さなターゲットを利用して、それらを複雑な背景から識別する。 YOLOv7-tinyにこの統計的基準を加えることで、赤外線小ターゲット検出のための最先端セグメンテーション法とオブジェクト検出ネットワークのパフォーマンスギャップを埋める。 また、数ショット設定に対するYOLOの堅牢性も大幅に向上する。

関連論文リスト

• Robust infrared small target detection using self-supervised and a contrario paradigms [1.2224547302812558]
  我々は、赤外線小ターゲット検出(IRSTD)を改善するために、コントラリオパラダイムと自己監視学習(SSL)を組み合わせた新しいアプローチを導入する。 一方、YOLO検出ヘッドへの対向基準の統合は、誤報を効果的に制御しつつ、小型で予期せぬ物体に対する特徴マップ応答を高める。 本研究は, YOLOを用いた小型物体検出に適用した場合, インスタンス識別手法がマスク画像モデリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-09T21:08:57Z)
• Background Semantics Matter: Cross-Task Feature Exchange Network for Clustered Infrared Small Target Detection With Sky-Annotated Dataset [35.1537908274777]
  赤外線小目標検出は、固有の目標特徴の不足と、類似した背景散乱体の存在により、固有の課題を生じさせる。 タスククラスタリングされた赤外線小ターゲット検出を導入し、新しいベンチマークデータセットであるDenseSIRSTを提示する。 本研究では,背景に焦点を絞った単一タスクからマルチタスクアーキテクチャへ,検出パラダイムを変換する背景認識特徴交換ネットワーク(BAFE-Net)を提案する。
  論文  参考訳（メタデータ） (2024-07-29T15:03:27Z)
• Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
  本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。 我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。 さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。 近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
  論文  参考訳（メタデータ） (2024-07-22T04:32:43Z)
• 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)
• Mitigate Target-level Insensitivity of Infrared Small Target Detection via Posterior Distribution Modeling [5.248337726304453]
  Infrared Small Target Detection (IRSTD) は、赤外線クラッタ背景から小さなターゲットを分離することを目的としている。 マスク後部分布モデルを用いて画素レベルの判別を補正する赤外線小ターゲット検出のための拡散モデルフレームワークを提案する。 実験により,提案手法は, NUAA-SIRST, IRSTD-1k, NUDT-SIRSTデータセット上での最先端手法と競合する性能向上を実現することを示した。
  論文  参考訳（メタデータ） (2024-03-13T09:45:30Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
  我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。 新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。 大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-08T05:06:14Z)
• EFLNet: Enhancing Feature Learning for Infrared Small Target Detection [20.546186772828555]
  単一フレームの赤外線小目標検出は難しい課題であると考えられている。 ターゲットと背景の極端に不均衡のため、境界ボックスの回帰は赤外線小ターゲットに対して非常に敏感である。 本稿では,これらの問題に対処する機能学習ネットワーク(EFLNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-27T09:23:22Z)
• Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
  物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。 新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-13T08:42:39Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)

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。