Fugu-MT 論文翻訳(概要): Sparse R-CNN OBB: Ship Target Detection in SAR Images Based on Oriented Sparse Proposals

論文の概要: Sparse R-CNN OBB: Ship Target Detection in SAR Images Based on Oriented Sparse Proposals

arxiv url: http://arxiv.org/abs/2409.07973v1
Date: Thu, 12 Sep 2024 12:12:46 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 16:39:03.541240
Title: Sparse R-CNN OBB: Ship Target Detection in SAR Images Based on Oriented Sparse Proposals
Title（参考訳）: スパースR-CNN OBB: 配向スパース提案に基づくSAR画像の船舶目標検出
Authors: Kamirul Kamirul, Odysseas Pappas, Alin Achim,
Abstract要約: 本稿では,SAR(Synthetic Aperture Radar)画像中の指向性物体を検出するためのフレームワークであるSparse R-CNN OBBを提案する。我々の知る限り、Sparse R-CNN OBBは、オブジェクト指向オブジェクトの検出にスパース学習可能な提案という概念を最初に採用しました。 Sparse R-CNN OBBは,沿岸および沖合の両方のシナリオにおいて,他のモデルを上回る優れた性能を示す。
参考スコア（独自算出の注目度）: 4.4173427917548524
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present Sparse R-CNN OBB, a novel framework for the detection of oriented objects in SAR images leveraging sparse learnable proposals. The Sparse R-CNN OBB has streamlined architecture and ease of training as it utilizes a sparse set of 300 proposals instead of training a proposals generator on hundreds of thousands of anchors. To the best of our knowledge, Sparse R-CNN OBB is the first to adopt the concept of sparse learnable proposals for the detection of oriented objects, as well as for the detection of ships in Synthetic Aperture Radar (SAR) images. The detection head of the baseline model, Sparse R-CNN, is re-designed to enable the model to capture object orientation. We also fine-tune the model on RSDD-SAR dataset and provide a performance comparison to state-of-the-art models. Experimental results shows that Sparse R-CNN OBB achieves outstanding performance, surpassing other models on both inshore and offshore scenarios. The code is available at: www.github.com/ka-mirul/Sparse-R-CNN-OBB.
Abstract（参考訳）: スパースR-CNN OBBは、スパース学習可能な提案を生かしたSAR画像におけるオブジェクト指向物体の検出のための新しいフレームワークである。 Sparse R-CNN OBBは、数十万のアンカーでプロポーザルジェネレータを訓練する代わりに、300のプロポーザルのスパースセットを使用するため、アーキテクチャと訓練の容易さを簡素化した。我々の知る限りでは、Sparse R-CNN OBBは、オブジェクト指向物体の検出とSAR(Synthetic Aperture Radar)画像中の船舶の検知のために、スパース学習可能な提案を初めて採用している。ベースラインモデルの検出ヘッドであるSparse R-CNNは、モデルがオブジェクトの向きを捉えられるように再設計される。また、RSDD-SARデータセット上でモデルを微調整し、最先端モデルと比較する。実験結果から,Sparse R-CNN OBBは沿岸および沖合のシナリオにおいて,他のモデルを上回る優れた性能を示した。コードは、www.github.com/ka-mirul/Sparse-R-CNN-OBBで入手できる。

関連論文リスト

NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
論文参考訳（メタデータ） (2024-08-28T02:17:58Z)
PG-RCNN: Semantic Surface Point Generation for 3D Object Detection [19.341260543105548]
ポイントジェネレーションR-CNN(PG-RCNN)は、3次元物体検出のための新しいエンドツーエンド検出器である。共同でトレーニングされたRoIポイント生成モジュールを使用して、RoIのコンテキスト情報を処理する。 PG-RCNNは生成された全ての点について、推定された前景確率を示す意味的特徴を割り当てる。
論文参考訳（メタデータ） (2023-07-24T09:22:09Z)
Graph Neural Network for Accurate and Low-complexity SAR ATR [2.9766397696234996]
高精度かつ低レイテンシなSAR ATRを実現するために,グラフニューラルネットワーク(GNN)モデルを提案する。提案したGNNモデルは計算複雑性が低く,高い精度を実現する。現状のCNNと比較して、提案したGNNモデルは、計算コストが1/3000、モデルサイズが1/80である。
論文参考訳（メタデータ） (2023-05-11T20:17:41Z)
A Simulation-Augmented Benchmarking Framework for Automatic RSO Streak Detection in Single-Frame Space Images [7.457841062817294]
大規模データセットが利用可能な場合、ディープ畳み込みニューラルネットワーク(DCNN)は、オブジェクト検出において優れたパフォーマンスを示している。 RSO検出のための新しいシミュレーション強化ベンチマークフレームワーク(SAB-RSOD)を紹介する。本フレームワークでは,実空間画像をキャプチャするセンサのハードウェアパラメータを最大限に活用することにより,まず高忠実度RSOシミュレータを開発する。次に,このシミュレータを用いて宇宙空間に多彩なROSを含む画像を生成し,自動的に注釈を付ける。
論文参考訳（メタデータ） (2023-04-30T07:00:16Z)
iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文参考訳（メタデータ） (2022-04-05T15:48:39Z)
SAR-ShipNet: SAR-Ship Detection Neural Network via Bidirectional Coordinate Attention and Multi-resolution Feature Fusion [7.323279438948967]
本稿では,ニューラルネットワークによる合成開口レーダ(SAR)画像から,事実上有意義な船舶検出問題について検討する。本稿では,CentralNetに基づく双方向協調注意(BCA)とMRF(Multi- resolution Feature Fusion)を新たに開発したSAR-ShipNet(略してSAR-ShipNet)を提案する。パブリックなSAR-Shipデータセットの実験結果から,SAR-ShipNetは速度と精度の両面で競争上の優位性を達成していることがわかった。
論文参考訳（メタデータ） (2022-03-29T12:27:04Z)
New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2021-10-28T18:10:26Z)
Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文参考訳（メタデータ） (2021-10-05T10:45:51Z)
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)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
PV-RCNN: Point-Voxel Feature Set Abstraction for 3D Object Detection [76.30585706811993]
我々はPointVoxel-RCNN(PV-RCNN)という新しい高性能な3Dオブジェクト検出フレームワークを提案する。提案手法は3次元ボクセル畳み込みニューラルネットワーク(CNN)とPointNetベースの集合抽象化の両方を深く統合する。 3DボクセルCNNの効率的な学習と高品質な提案と、PointNetベースのネットワークのフレキシブル・レセプティブ・フィールドを利用する。
論文参考訳（メタデータ） (2019-12-31T06:34:10Z)

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。