論文の概要: Wholly-WOOD: Wholly Leveraging Diversified-quality Labels for Weakly-supervised Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2502.09471v1
• Date: Thu, 13 Feb 2025 16:34:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:50:00.877413
• Title: Wholly-WOOD: Wholly Leveraging Diversified-quality Labels for Weakly-supervised Oriented Object Detection
• Title（参考訳）: 全能WOOD:弱教師付きオブジェクト指向物体検出のための多彩な品質ラベルを最大限活用する
• Authors: Yi Yu, Xue Yang, Yansheng Li, Zhenjun Han, Feipeng Da, Junchi Yan,
• Abstract要約: Wholly-WOODは、様々なラベリング形式を完全に活用できる弱い管理のOODフレームワークである。 トレーニングにHBoxのみを使用することで、RBoxでトレーニングされたリモートセンシングと非常に近いパフォーマンスを実現しています。
• 参考スコア（独自算出の注目度）: 57.26265276035267
• License:
• Abstract: Accurately estimating the orientation of visual objects with compact rotated bounding boxes (RBoxes) has become a prominent demand, which challenges existing object detection paradigms that only use horizontal bounding boxes (HBoxes). To equip the detectors with orientation awareness, supervised regression/classification modules have been introduced at the high cost of rotation annotation. Meanwhile, some existing datasets with oriented objects are already annotated with horizontal boxes or even single points. It becomes attractive yet remains open for effectively utilizing weaker single point and horizontal annotations to train an oriented object detector (OOD). We develop Wholly-WOOD, a weakly-supervised OOD framework, capable of wholly leveraging various labeling forms (Points, HBoxes, RBoxes, and their combination) in a unified fashion. By only using HBox for training, our Wholly-WOOD achieves performance very close to that of the RBox-trained counterpart on remote sensing and other areas, significantly reducing the tedious efforts on labor-intensive annotation for oriented objects. The source codes are available at https://github.com/VisionXLab/whollywood (PyTorch-based) and https://github.com/VisionXLab/whollywood-jittor (Jittor-based).
• Abstract（参考訳）: コンパクトな回転バウンディングボックス(RBoxes)による視覚オブジェクトの向きの正確な推定は、水平バウンディングボックス(HBoxes)のみを使用する既存のオブジェクト検出パラダイムに挑戦する、顕著な需要となっている。 ディテクターに向き認識を持たせるために、高コストの回転アノテーションで教師付き回帰/分類モジュールが導入された。 一方、オブジェクト指向オブジェクトを持つ既存のデータセットの中には、すでに水平ボックスや単一ポイントでアノテートされているものもある。 より弱い単一点と水平アノテーションを効果的に活用し、オブジェクト指向オブジェクト検出器(OOD)を訓練するために、魅力的なままである。 我々は、さまざまなラベリング形式(Points, HBoxes, RBoxes, and their combination)を統一的に活用できる弱教師付きOODフレームワークであるWholely-WOODを開発した。 トレーニングにHBoxのみを使用することで、リモートセンシングや他の分野において、RBoxでトレーニングされたものと非常に近いパフォーマンスを実現し、オブジェクト指向オブジェクトに対する労働集約アノテーションに対する退屈な労力を大幅に削減します。 ソースコードはhttps://github.com/VisionXLab/whollywood (PyTorchベース)とhttps://github.com/VisionXLab/whollywood-jittor (Jittorベース)で入手できる。

関連論文リスト

• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• Point2RBox: Combine Knowledge from Synthetic Visual Patterns for End-to-end Oriented Object Detection with Single Point Supervision [81.60564776995682]
  我々は、ポイント教師付きオブジェクト検出のためのエンドツーエンドソリューションであるPoint2RBoxを提案する。 提案手法は軽量なパラダイムを用いているが,点教師付き代替品間での競合性能を実現する。 特に,本手法は軽量なパラダイムを用いるが,点教師付き代替品間での競合性能を実現する。
  論文  参考訳（メタデータ） (2023-11-23T15:57:41Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• H2RBox-v2: Incorporating Symmetry for Boosting Horizontal Box Supervised Oriented Object Detection [55.3948651109885]
  本稿では,H2RBox-v2を提案する。 我々の知る限り、H2RBox-v2は指向オブジェクト検出のための最初の対称性を意識した自己監督パラダイムである。
  論文  参考訳（メタデータ） (2023-04-10T06:11:40Z)
• H2RBox: Horizonal Box Annotation is All You Need for Oriented Object Detection [63.66553556240689]
  オブジェクト指向物体検出は、空中画像から自律運転に至るまで、多くの用途に現れる。 多くの既存の検出ベンチマークには水平バウンディングボックスがアノテートされているが、これはきめ細かな回転ボックスよりもコストが低い。 本稿では,H2RBoxと呼ばれる単純なオブジェクト指向検出手法を提案する。
  論文  参考訳（メタデータ） (2022-10-13T05:12:45Z)
• Oriented Bounding Boxes for Small and Freely Rotated Objects [7.6997148655751895]
  任意のサイズの自由回転物体を処理する新しい物体検出方法を提示する。 この方法は、グリッドセル位置におけるターゲットオブジェクトの特徴の正確な位置と向きを符号化する。 xView と DOTA データセットの評価から,提案手法は既存の最先端手法よりも一様に性能を向上することが示された。
  論文  参考訳（メタデータ） (2021-04-24T02:04:49Z)
• Oriented Object Detection in Aerial Images with Box Boundary-Aware Vectors [21.484827209503823]
  空中画像中の物体を任意の方向に表示するため、空中画像中の物体の配向検出は難しい作業である。 現在のオブジェクト指向物体検出法は、主に2段階のアンカーベース検出器に依存している。 水平キーポイントに基づくオブジェクトをオブジェクト指向オブジェクト検出タスクに拡張する。
  論文  参考訳（メタデータ） (2020-08-17T00:56:50Z)

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。