論文の概要: Physics-Guided Detector for SAR Airplanes

• arxiv url: http://arxiv.org/abs/2411.12301v1
• Date: Tue, 19 Nov 2024 07:41:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:36:39.198795
• Title: Physics-Guided Detector for SAR Airplanes
• Title（参考訳）: SAR航空機用物理誘導検出器
• Authors: Zhongling Huang, Long Liu, Shuxin Yang, Zhirui Wang, Gong Cheng, Junwei Han,
• Abstract要約: SAR航空機のための新しい物理誘導検出器(PGD)学習パラダイムを提案する。 検出性能を向上させるために、その離散性と変動性を包括的に調査する。 実験では,提案したPGDの柔軟性と有効性を示す。
• 参考スコア（独自算出の注目度）: 48.11882103050703
• License:
• Abstract: The disperse structure distributions (discreteness) and variant scattering characteristics (variability) of SAR airplane targets lead to special challenges of object detection and recognition. The current deep learning-based detectors encounter challenges in distinguishing fine-grained SAR airplanes against complex backgrounds. To address it, we propose a novel physics-guided detector (PGD) learning paradigm for SAR airplanes that comprehensively investigate their discreteness and variability to improve the detection performance. It is a general learning paradigm that can be extended to different existing deep learning-based detectors with "backbone-neck-head" architectures. The main contributions of PGD include the physics-guided self-supervised learning, feature enhancement, and instance perception, denoted as PGSSL, PGFE, and PGIP, respectively. PGSSL aims to construct a self-supervised learning task based on a wide range of SAR airplane targets that encodes the prior knowledge of various discrete structure distributions into the embedded space. Then, PGFE enhances the multi-scale feature representation of a detector, guided by the physics-aware information learned from PGSSL. PGIP is constructed at the detection head to learn the refined and dominant scattering point of each SAR airplane instance, thus alleviating the interference from the complex background. We propose two implementations, denoted as PGD and PGD-Lite, and apply them to various existing detectors with different backbones and detection heads. The experiments demonstrate the flexibility and effectiveness of the proposed PGD, which can improve existing detectors on SAR airplane detection with fine-grained classification task (an improvement of 3.1\% mAP most), and achieve the state-of-the-art performance (90.7\% mAP) on SAR-AIRcraft-1.0 dataset. The project is open-source at \url{https://github.com/XAI4SAR/PGD}.
• Abstract（参考訳）: SAR航空機の分散構造分布(離散性)と可変散乱特性(可変性)は、物体の検出と認識に特別な課題をもたらす。 現在のディープラーニングベースの検出器は、複雑な背景に対してきめ細かいSAR航空機を識別する際の課題に直面している。 そこで本研究では,SAR航空機における新しい物理誘導型検出器(PGD)学習パラダイムを提案する。 バックボーンネックヘッド(backbone-neck-head)アーキテクチャを備えた、既存のディープラーニングベースの検出器に拡張可能な、一般的な学習パラダイムである。 PGDの主な貢献は、物理誘導型自己教師学習、機能強化、PGSSL、PGFE、PGIPと表記されるインスタンス知覚である。 PGSSLは、様々な離散構造分布の事前知識をエンコードした幅広いSAR航空機の目標に基づいて、自己教師型学習タスクを構築することを目的としている。 そして、PGFEは、PGSSLから学んだ物理認識情報によって導かれる検出器のマルチスケール特徴表現を強化する。 PGIPは検出ヘッドに構築され、各SAR航空機インスタンスの洗練された散乱点と支配的な散乱点を学習し、複雑な背景からの干渉を軽減する。 我々はPGDとPGD-Liteという2つの実装を提案し、これらを様々なバックボーンと検出ヘッドを持つ既存の検出器に適用する。 実験では,SAR-AIRcraft-1.0 データセット上での最先端性能 (90.7 % mAP) を達成するため,SAR 航空機検出における既存の検出器の粒度分類タスク (3.1 % mAP の精度向上) により,PGD の柔軟性と有効性を実証した。 このプロジェクトは \url{https://github.com/XAI4SAR/PGD} でオープンソース化されている。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• 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 Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series [45.31237646796715]
  この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。 実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。 結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
  論文  参考訳（メタデータ） (2024-07-03T07:19:41Z)
• SAFE: a SAR Feature Extractor based on self-supervised learning and masked Siamese ViTs [5.961207817077044]
  マスク付きシームズ・ビジョン・トランスフォーマーをベースとした新しい自己教師型学習フレームワークを提案し,SAFEと命名された汎用SAR機能エクストラクタを提案する。 提案手法は,厳密で一般化可能な特徴を抽出し,ラベルのないSARデータに基づいてモデルを訓練するために,対照的な学習原理を利用する。 サブアパーチャ分解や非特異化など,SAR画像特有のデータ拡張技術を導入する。 我々のネットワークは、評価に使用されるセンサーの訓練を受けなくても、数ショットの分類やセグメンテーションタスクにおいて、他の最先端の手法と競合したり、超えたりしています。
  論文  参考訳（メタデータ） (2024-06-30T23:11:20Z)
• Predicting Gradient is Better: Exploring Self-Supervised Learning for SAR ATR with a Joint-Embedding Predictive Architecture [23.375515181854254]
  SSL(Self-Supervised Learning)手法は,大規模未ラベルデータの事前学習を伴う様々なSAR自動ターゲット認識(ATR)タスクを実現する。 SSLはデータから直接監視信号を構築することを目的としている。 本研究では,SAR ATRの基盤モデル構築に有効なSSL方式について検討した。
  論文  参考訳（メタデータ） (2023-11-26T01:05:55Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• FSD: Fully-Specialized Detector via Neural Architecture Search [2.149718433100702]
  まず,FSDを設計するための完全自動パイプラインを提案し,検討する。 DeepLesionデータセットでは、FSDは2次病変検出タスクで約40%少ないパラメータを使用して3.1mAPゲインを達成することができる。
  論文  参考訳（メタデータ） (2023-05-26T05:41:20Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• Small and large scale critical infrastructures detection based on deep learning using high resolution orthogonal images [0.0]
  本稿では、スマートデータセットと、分解能に依存しないクリティカルインフラストラクチャ検出システムを提案する。 特に、検出モデルの性能から導かれ、我々は2つのスケール、小さくて大規模なデータセットを構築した。 DetDSCI法は、ベースライン検出器に関して最大37,53%のF1改善を達成している。
  論文  参考訳（メタデータ） (2021-05-25T11:38:15Z)

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。