論文の概要: Projecting Points to Axes: Oriented Object Detection via Point-Axis Representation

• arxiv url: http://arxiv.org/abs/2407.08489v1
• Date: Thu, 11 Jul 2024 13:23:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 17:19:55.956041
• Title: Projecting Points to Axes: Oriented Object Detection via Point-Axis Representation
• Title（参考訳）: Axesへの投影ポイント:Point-Axis表現によるオブジェクト指向オブジェクト検出
• Authors: Zeyang Zhao, Qilong Xue, Yuhang He, Yifan Bai, Xing Wei, Yihong Gong,
• Abstract要約: オブジェクト指向物体検出のための点軸表現を導入し、その柔軟性と幾何学的直感性を2つの重要な要素である点と軸で強調する。 点軸表現は位置と回転を分離し、伝統的な境界ボックスベースのアプローチでよく発生する損失不連続問題に対処する。 本稿では,正確な点軸予測と終端検出のためのDETRフレームワークをシームレスに統合したオブジェクト指向DETRモデルを提案する。
• 参考スコア（独自算出の注目度）: 29.14485159194744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the point-axis representation for oriented object detection, emphasizing its flexibility and geometrically intuitive nature with two key components: points and axes. 1) Points delineate the spatial extent and contours of objects, providing detailed shape descriptions. 2) Axes define the primary directionalities of objects, providing essential orientation cues crucial for precise detection. The point-axis representation decouples location and rotation, addressing the loss discontinuity issues commonly encountered in traditional bounding box-based approaches. For effective optimization without introducing additional annotations, we propose the max-projection loss to supervise point set learning and the cross-axis loss for robust axis representation learning. Further, leveraging this representation, we present the Oriented DETR model, seamlessly integrating the DETR framework for precise point-axis prediction and end-to-end detection. Experimental results demonstrate significant performance improvements in oriented object detection tasks.
• Abstract（参考訳）: 本稿では、オブジェクト指向物体検出のための点軸表現を紹介し、その柔軟性と幾何学的直感性を2つの重要な要素である点と軸で強調する。 1) 点は物体の空間的範囲と輪郭を規定し, 詳細な形状記述を提供する。 2) 軸は物体の主方向を規定し, 正確な検出に不可欠な配向手段を提供する。 点軸表現は位置と回転を分離し、伝統的な境界ボックスベースのアプローチでよく発生する損失不連続問題に対処する。 付加アノテーションを導入することなく効果的に最適化するために, 点集合学習を監督する最大射影損失と, 頑健な軸表現学習のための軸方向損失を提案する。 さらに、この表現を活用して、DTRフレームワークをシームレスに統合し、正確な点軸予測とエンドツーエンド検出を行う。 実験によりオブジェクト指向物体検出タスクの性能が大幅に向上した。

関連論文リスト

• GRA: Detecting Oriented Objects through Group-wise Rotating and Attention [64.21917568525764]
  GRA(Group-wise Rotating and Attention)モジュールは、オブジェクト指向オブジェクト検出のためのバックボーンネットワークにおける畳み込み操作を置き換えるために提案されている。 GRAは、グループワイド回転(Group-wise Rotating)とグループワイド注意(Group-wise Attention)という2つの重要なコンポーネントを含む、さまざまな向きのオブジェクトのきめ細かい特徴を適応的にキャプチャすることができる。 GRAはDOTA-v2.0ベンチマークで新しい最先端(SOTA)を実現し、以前のSOTA法と比較してパラメータを50%近く削減した。
  論文  参考訳（メタデータ） (2024-03-17T07:29:32Z)
• 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)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• ARS-DETR: Aspect Ratio-Sensitive Detection Transformer for Aerial Oriented Object Detection [55.291579862817656]
  既存のオブジェクト指向オブジェクト検出手法では、モデルの性能を測定するために計量AP$_50$が一般的である。 我々は、AP$_50$は本来、角度偏差に大きな耐性があるため、オブジェクト指向物体検出には適さないと主張している。 本稿では,ARS-DETR(Aspect Ratio Sensitive Oriented Object Detector with Transformer)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T02:20:56Z)
• Single-stage Rotate Object Detector via Two Points with Solar Corona Heatmap [16.85421977235311]
  太陽コロナ熱マップを用いた単段回転物体検出器を開発し,指向性物体を検出する。 ROTPはオブジェクトの一部を予測し、それらを集約して全体像を形成する。
  論文  参考訳（メタデータ） (2022-02-14T09:07:21Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• Oriented RepPoints for Aerial Object Detection [10.818838437018682]
  本稿では,オブジェクト指向RepPointsという,空中物体検出のための新しい手法を提案する。 具体的には、任意指向オブジェクトの幾何学的および空間的情報を取得するために、適応点の集合を用いることを提案する。 教師付き学習を容易にするために,適応点を配向境界ボックスに明示的にマッピングする指向変換関数を提案する。
  論文  参考訳（メタデータ） (2021-05-24T06:18:23Z)
• Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation [85.96410825961966]
  中心点から抽出された画像の特徴は、離れたキーポイントや境界ボックスの境界を予測するための限られた情報を含んでいると論じる。 推論を容易にするために,より有利な位置に配置された点集合からの回帰を行うことを提案する。 我々は、オブジェクト検出、インスタンス分割、人間のポーズ推定にPoint-Set Anchorsと呼ばれるこのフレームワークを適用した。
  論文  参考訳（メタデータ） (2020-07-06T15:59:56Z)

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。