論文の概要: GauCho: Gaussian Distributions with Cholesky Decomposition for Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2502.01565v1
• Date: Mon, 03 Feb 2025 17:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:59:15.744457
• Title: GauCho: Gaussian Distributions with Cholesky Decomposition for Oriented Object Detection
• Title（参考訳）: GauCho: 配向物体検出のためのコレスキー分解を用いたガウス分布
• Authors: Jeffri Murrugarra-LLerena, Jose Henrique Lima Marques, Claudio R. Jung,
• Abstract要約: 本稿では,コレスキー行列分解に基づいてガウス分布を直接生成するOODの回帰ヘッドを提案する。 提案したヘッドはGauChoと呼ばれ、理論上境界不連続問題を緩和し、最近のガウスに基づく回帰損失関数と完全に互換性がある。 実験の結果,GauCho は従来の OBB ヘッドの代替として実現可能であり,挑戦的なデータセット DOTA の最先端検出器に匹敵する結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 2.8333806160405937
• License:
• Abstract: Oriented Object Detection (OOD) has received increased attention in the past years, being a suitable solution for detecting elongated objects in remote sensing analysis. In particular, using regression loss functions based on Gaussian distributions has become attractive since they yield simple and differentiable terms. However, existing solutions are still based on regression heads that produce Oriented Bounding Boxes (OBBs), and the known problem of angular boundary discontinuity persists. In this work, we propose a regression head for OOD that directly produces Gaussian distributions based on the Cholesky matrix decomposition. The proposed head, named GauCho, theoretically mitigates the boundary discontinuity problem and is fully compatible with recent Gaussian-based regression loss functions. Furthermore, we advocate using Oriented Ellipses (OEs) to represent oriented objects, which relates to GauCho through a bijective function and alleviates the encoding ambiguity problem for circular objects. Our experimental results show that GauCho can be a viable alternative to the traditional OBB head, achieving results comparable to or better than state-of-the-art detectors for the challenging dataset DOTA
• Abstract（参考訳）: 近年, オブジェクト指向物体検出 (OOD) が注目されており, リモートセンシング解析において, 細長い物体を検出するのに適した方法である。 特に、ガウス分布に基づく回帰損失関数の使用は、単純かつ微分可能な項が得られるので魅力的である。 しかし、既存の解はまだオブジェクト指向境界ボックス(OBB)を生成する回帰ヘッドに基づいており、角境界の不連続性の既知の問題は継続する。 本研究では,コレスキー行列分解に基づいてガウス分布を直接生成するOODの回帰ヘッドを提案する。 提案したヘッドはGauChoと呼ばれ、理論上境界不連続問題を緩和し、最近のガウスに基づく回帰損失関数と完全に互換性がある。 さらに、オブジェクト指向楕円体(OEs)を用いてオブジェクト指向オブジェクトを表現することを提唱する。これは、単射関数を通してGauChoと関係し、円形オブジェクトの符号化あいまいさ問題を緩和する。 実験結果から,GauChoは従来のOCBヘッドの代替となる可能性を示し,挑戦的データセットDOTAの最先端検出器に匹敵する結果を得ることができた。

関連論文リスト

• Edge Wasserstein Distance Loss for Oriented Object Detection [30.63435516524413]
  本稿では,新たな指向性回帰損失,ワッサーシュタイン距離損失(EWD)を提案する。 具体的には、配向ボックス(OBox)表現に対して、確率密度関数がエッジ上のゼロではないような特別に設計された分布を選択する。
  論文  参考訳（メタデータ） (2023-12-12T08:00:40Z)
• Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
  現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。 本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:51:20Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• MKIoU Loss: Towards Accurate Oriented Object Detection in Aerial Images [0.0]
  修正されたカルマンIoUのSkewIoUの損失は、MkioUと呼ばれる。 提案手法は他のガウス法にも容易に拡張できる。
  論文  参考訳（メタデータ） (2022-06-30T08:17:01Z)
• G-Rep: Gaussian Representation for Arbitrary-Oriented Object Detection [13.112764410519981]
  我々は,OBB,QBB,PointSetのガウス分布を構成するために,G-Repと呼ばれる統一ガウス表現を提案する。 G-Repは、様々な表現や問題に対する統一的な解を達成する。
  論文  参考訳（メタデータ） (2022-05-24T05:28:08Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss [111.8807588392563]
  境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。 本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
  論文  参考訳（メタデータ） (2021-01-28T12:04:35Z)
• Approximation Schemes for ReLU Regression [80.33702497406632]
  我々はReLU回帰の根本的な問題を考察する。 目的は、未知の分布から引き出された2乗損失に対して、最も適したReLUを出力することである。
  論文  参考訳（メタデータ） (2020-05-26T16:26:17Z)
• On the Arbitrary-Oriented Object Detection: Classification based Approaches Revisited [94.5455251250471]
  まず,既存の回帰型回転検出器が抱える境界問題は,角周期性や角秩序によって引き起こされることを示した。 我々は、角予測タスクを回帰問題から分類問題に変換する。 得られた円形分布角分類問題に対して、まず、角度の周期性に対処し、隣り合う角度に対する誤差耐性を高めるために、円スムースラベル法を考案する。
  論文  参考訳（メタデータ） (2020-03-12T03:23:54Z)

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。