論文の概要: SCLNet: A Scale-Robust Complementary Learning Network for Object Detection in UAV Images

• arxiv url: http://arxiv.org/abs/2409.07024v1
• Date: Wed, 11 Sep 2024 05:39:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-12 15:36:35.537912
• Title: SCLNet: A Scale-Robust Complementary Learning Network for Object Detection in UAV Images
• Title（参考訳）: SCLNet:UAV画像におけるオブジェクト検出のためのスケールロバスト補完学習ネットワーク
• Authors: Xuexue Li,
• Abstract要約: 本稿では,SCLNet(Scale-robust complementary learning network)を提案する。 1つの実装は、提案したスケール補完デコーダとスケール補完損失関数に基づいている。 もう一つの実装は、提案したコントラッシブ・コントラスト・コントラスト・コントラスト・コントラスト・ネットワークとコントラスト・コントラスト・コントラスト・コントラスト・コントラスト・ロス関数に基づいている。
• 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: Most recent UAV (Unmanned Aerial Vehicle) detectors focus primarily on general challenge such as uneven distribution and occlusion. However, the neglect of scale challenges, which encompass scale variation and small objects, continues to hinder object detection in UAV images. Although existing works propose solutions, they are implicitly modeled and have redundant steps, so detection performance remains limited. And one specific work addressing the above scale challenges can help improve the performance of UAV image detectors. Compared to natural scenes, scale challenges in UAV images happen with problems of limited perception in comprehensive scales and poor robustness to small objects. We found that complementary learning is beneficial for the detection model to address the scale challenges. Therefore, the paper introduces it to form our scale-robust complementary learning network (SCLNet) in conjunction with the object detection model. The SCLNet consists of two implementations and a cooperation method. In detail, one implementation is based on our proposed scale-complementary decoder and scale-complementary loss function to explicitly extract complementary information as complement, named comprehensive-scale complementary learning (CSCL). Another implementation is based on our proposed contrastive complement network and contrastive complement loss function to explicitly guide the learning of small objects with the rich texture detail information of the large objects, named inter-scale contrastive complementary learning (ICCL). In addition, an end-to-end cooperation (ECoop) between two implementations and with the detection model is proposed to exploit each potential.
• Abstract（参考訳）: 最近の無人航空機(Unmanned Aerial Vehicle)検出器は、主に不均一分布や閉塞といった一般的な課題に焦点を当てている。 しかし、スケールの変動や小さな物体を含むスケールの課題の無視は、UAV画像における物体検出を妨げ続けている。 既存の研究はソリューションを提案しているが、それらは暗黙的にモデル化されており、冗長なステップを持っているため、検出性能は依然として限られている。 そして、上記の課題に対処する特定の作業は、UAV画像検出器の性能向上に役立つ。 自然界と比較して、UAV画像におけるスケールの課題は、包括的スケールでの認識が限定的であり、小さな物体に対するロバスト性が低いという問題によって生じる。 相補的な学習は、検出モデルがスケールの課題に対処する上で有益であることがわかった。 そこで本論文では,オブジェクト検出モデルと協調して,スケールロバストな補完学習ネットワーク(SCLNet)を構築した。 SCLNetは2つの実装と協調方法で構成されている。 具体的には,提案した大規模補完的デコーダと大規模補完的損失関数に基づいて,補完的情報を補的情報として抽出し,包括的補完的学習(CSCL)と呼ぶ。 別の実装は、提案したコントラスト補完ネットワークとコントラスト補完損失関数に基づいて、大規模コントラスト補完学習(ICCL)と呼ばれる、大規模オブジェクトのテクスチャ詳細情報により、小さなオブジェクトの学習を明示的にガイドする。 さらに,2つの実装と検出モデル間のエンドツーエンド協調(ECoop)を提案する。

関連論文リスト

• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• A Simple yet Effective Network based on Vision Transformer for Camouflaged Object and Salient Object Detection [33.30644598646274]
  視覚変換器(ViT)に基づく簡易で効果的なネットワーク(SENet)を提案する。 ローカル情報をモデル化するTransformerの機能を強化するために,ローカル情報キャプチャモジュール(licM)を提案する。 また,BCE(Binary Cross-Entropy)とIoU(Intersection over Union)に基づく動的重み付き損失(DW損失)を提案する。
  論文  参考訳（メタデータ） (2024-02-29T07:29:28Z)
• 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)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection [18.04185751827619]
  新規なオブジェクトのきめ細かい特徴を、ほんのわずかなデータで簡単に見落としてしまうため、オブジェクト検出は困難である。 本稿では,少数の検出問題に対処するために,DCNet (Context-aware Aggregation) を用いたDense Relation Distillationを提案する。
  論文  参考訳（メタデータ） (2021-03-30T05:34:49Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• SyNet: An Ensemble Network for Object Detection in UAV Images [13.198689566654107]
  本稿では,マルチステージ方式とシングルステージ方式を組み合わせたアンサンブルネットワークであるSyNetを提案する。 ビルディングブロックとして、センシング戦略とともに、プリトレーニング特徴抽出器を備えたセンタネットおよびカスケードr−cnnを利用する。 提案手法により得られた技術成果を2つの異なるデータセットで報告する。
  論文  参考訳（メタデータ） (2020-12-23T21:38:32Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)

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。