論文の概要: Simplifying Two-Stage Detectors for On-Device Inference in Remote Sensing

• arxiv url: http://arxiv.org/abs/2404.07405v1
• Date: Thu, 11 Apr 2024 00:45:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 15:28:21.693266
• Title: Simplifying Two-Stage Detectors for On-Device Inference in Remote Sensing
• Title（参考訳）: リモートセンシングにおけるオンデバイス推論のための2段階検出器の簡易化
• Authors: Jaemin Kang, Hoeseok Yang, Hyungshin Kim,
• Abstract要約: 本研究では,2段階物体検出器のモデル簡易化手法を提案する。 本手法は,DOTAv1.5データセットの2.1%以内の精度で計算コストを61.2%まで削減する。
• 参考スコア（独自算出の注目度）: 0.7305342793164903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been successfully applied to object detection from remotely sensed images. Images are typically processed on the ground rather than on-board due to the computation power of the ground system. Such offloaded processing causes delays in acquiring target mission information, which hinders its application to real-time use cases. For on-device object detection, researches have been conducted on designing efficient detectors or model compression to reduce inference latency. However, highly accurate two-stage detectors still need further exploitation for acceleration. In this paper, we propose a model simplification method for two-stage object detectors. Instead of constructing a general feature pyramid, we utilize only one feature extraction in the two-stage detector. To compensate for the accuracy drop, we apply a high pass filter to the RPN's score map. Our approach is applicable to any two-stage detector using a feature pyramid network. In the experiments with state-of-the-art two-stage detectors such as ReDet, Oriented-RCNN, and LSKNet, our method reduced computation costs upto 61.2% with the accuracy loss within 2.1% on the DOTAv1.5 dataset. Source code will be released.
• Abstract（参考訳）: 深層学習はリモートセンシング画像からの物体検出に成功している。 画像は通常、地上システムの計算能力のため、地上ではなく地上で処理される。 このようなオフロード処理は、目標とするミッション情報を取得するのに遅延を引き起こし、リアルタイムのユースケースへの適用を妨げる。 デバイス上での物体検出のために、推論遅延を低減するために効率的な検出器やモデル圧縮を設計する研究がなされている。 しかし、高精度な2段検出器は加速のためのさらなる利用が必要である。 本稿では,2段階物体検出器のモデル簡易化手法を提案する。 一般的な特徴ピラミッドを構築する代わりに、我々は2段検出器の1つの特徴抽出しか利用しない。 精度低下を補うために、RPNのスコアマップにハイパスフィルタを適用する。 我々のアプローチは、特徴ピラミッドネットワークを用いた任意の2段階検出器に適用できる。 ReDet、Oriented-RCNN、LSKNetのような最先端の2段階検出器を用いた実験では、DOTAv1.5データセットで2.1%以内の精度で計算コストを61.2%まで削減した。 ソースコードはリリースされます。

関連論文リスト

• Learning to Make Keypoints Sub-Pixel Accurate [80.55676599677824]
  本研究は,2次元局所特徴の検出におけるサブピクセル精度の課題に対処する。 本稿では,検出された特徴に対するオフセットベクトルを学習することにより,サブピクセル精度で検出器を拡張できる新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T12:39:56Z)
• Efficient Meta-Learning Enabled Lightweight Multiscale Few-Shot Object Detection in Remote Sensing Images [15.12889076965307]
  YOLOv7ワンステージ検出器は、新しいメタラーニングトレーニングフレームワークが組み込まれている。 この変換により、検出器はFSODのタスクに十分対応できると同時に、その固有の軽量化の利点を活かすことができる。 提案検出器の有効性を検証するため, 現状の検出器と性能比較を行った。
  論文  参考訳（メタデータ） (2024-04-29T04:56:52Z)
• 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)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)
• From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
  単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。 これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
  論文  参考訳（メタデータ） (2021-08-24T13:25:02Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• QueryDet: Cascaded Sparse Query for Accelerating High-Resolution Small Object Detection [17.775203579232144]
  特徴ピラミド系物体検出器の推論速度を高速化する新規なクエリ機構を提案する。 パイプラインはまず、低解像度特徴量上の小さな物体の粗い位置を予測し、高解像度特徴量を用いて正確な検出結果を算出する。 一般的なCOCOデータセットでは,検出mAPを1.0倍,mAPを2.0倍に改善し,高分解能推論速度を平均3.0倍に向上する。
  論文  参考訳（メタデータ） (2021-03-16T15:30:20Z)

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。