論文の概要: Multi-Domain Features Guided Supervised Contrastive Learning for Radar Target Detection

• arxiv url: http://arxiv.org/abs/2412.12620v2
• Date: Thu, 09 Jan 2025 02:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:56:58.883772
• Title: Multi-Domain Features Guided Supervised Contrastive Learning for Radar Target Detection
• Title（参考訳）: レーダー目標検出のためのコントラスト学習を指導したマルチドメイン特徴
• Authors: Junjie Wang, Yuze Gao, Dongying Li, Wenxian Yu,
• Abstract要約: 既存のソリューションは、統計的および深い特徴を含む、クラッタとターゲットのエコー差に基づいて、検出またはターゲットの特徴を抽出するための海溝モデルである。 本稿では,教師付きコントラスト学習(MDFG_SCL)手法を提案する。 実世界のデータセットで行った実験では、提案された浅海深度検出器は、小さな海洋目標を効果的に識別するだけでなく、様々な海洋環境において優れた検出性能を維持することが示されている。
• 参考スコア（独自算出の注目度）: 8.706031869122917
• License:
• Abstract: Detecting small targets in sea clutter is challenging due to dynamic maritime conditions. Existing solutions either model sea clutter for detection or extract target features based on clutter-target echo differences, including statistical and deep features. While more common, the latter often excels in controlled scenarios but struggles with robust detection and generalization in diverse environments, limiting practical use. In this letter, we propose a multi-domain features guided supervised contrastive learning (MDFG_SCL) method, which integrates statistical features derived from multi-domain differences with deep features obtained through supervised contrastive learning, thereby capturing both low-level domain-specific variations and high-level semantic information. This comprehensive feature integration enables the model to effectively distinguish between small targets and sea clutter, even under challenging conditions. Experiments conducted on real-world datasets demonstrate that the proposed shallow-to-deep detector not only achieves effective identification of small maritime targets but also maintains superior detection performance across varying sea conditions, outperforming the mainstream unsupervised contrastive learning and supervised contrastive learning methods.
• Abstract（参考訳）: 海面の動的条件が原因で、海溝内の小さな標的を検出することは困難である。 既存のソリューションは、統計的および深い特徴を含む、クラッタとターゲットのエコー差に基づいて、検出またはターゲットの特徴を抽出するための海溝モデルである。 一般的には、後者は制御されたシナリオに優れるが、様々な環境で堅牢な検出と一般化に苦慮し、実用的な使用を制限する。 本稿では,教師付きコントラスト学習(MDFG_SCL)手法を提案する。この手法は,教師付きコントラスト学習によって得られる深い特徴と,マルチドメインの違いから得られる統計的特徴を統合し,低レベルのドメイン固有のバリエーションと高レベルのセマンティック情報の両方をキャプチャする。 この包括的な機能統合により、挑戦的な条件下であっても、モデルが小さなターゲットと海の乱雑を効果的に区別することができる。 実世界のデータセットを用いて行った実験により、提案した浅層深度検出器は、小型海洋目標の効果的な識別だけでなく、様々な海洋環境における優れた検出性能を維持し、主流の教師なしのコントラスト学習と教師なしのコントラスト学習法より優れていることが示された。

関連論文リスト

• Nearshore Underwater Target Detection Meets UAV-borne Hyperspectral Remote Sensing: A Novel Hybrid-level Contrastive Learning Framework and Benchmark Dataset [6.832892497880372]
  UAV搭載ハイパースペクトルリモートセンシングは、水中目標検出(UTD)のための有望なアプローチとして登場した 近海環境におけるスペクトル歪みによって妨げられ、従来の超スペクトルUTD法の精度を損なう。 沿岸域における強靭なHUTDのための自己評価学習パラダイムとコントラスト学習を統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-20T12:25:30Z)
• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• Sparse Prior Is Not All You Need: When Differential Directionality Meets Saliency Coherence for Infrared Small Target Detection [15.605122893098981]
  本研究では,Sparse Differential Directionality prior (SDD)フレームワークを提案する。 我々は、ターゲットの異なる方向特性を活用して、それらを背景と区別する。 さらに、サリエンシ・コヒーレンス・ストラテジーにより、目標検出性をさらに強化する。 近似交互最小化法(PAM)アルゴリズムは,提案したモデルを効率的に解く。
  論文  参考訳（メタデータ） (2024-07-22T04:32:43Z)
• 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)
• AMANet: Advancing SAR Ship Detection with Adaptive Multi-Hierarchical Attention Network [0.5437298646956507]
  適応型多階層型アテンションモジュール (AMAM) を提案する。 まず,隣り合う特徴層からの情報を融合して,より小さなターゲットの検出を強化し,マルチスケールな特徴強調を実現する。 第3に,AMAMをバックボーンネットワークと特徴ピラミッドネットワークに埋め込むことにより,適応型多階層アテンションネットワーク(AMANet)を提案する。
  論文  参考訳（メタデータ） (2024-01-24T03:56:33Z)
• 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)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)
• Multi-Task Incremental Learning for Object Detection [71.57155077119839]
  マルチタスクは、知識と計算を共有しながら、複数のタスクを学習する。 古いデータにアクセスせずに漸進的に学習すると、過去の知識を壊滅的に忘れてしまう。
  論文  参考訳（メタデータ） (2020-02-13T04:58:37Z)

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。