論文の概要: LEGNet: Lightweight Edge-Gaussian Driven Network for Low-Quality Remote Sensing Image Object Detection

• arxiv url: http://arxiv.org/abs/2503.14012v2
• Date: Mon, 02 Jun 2025 16:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 16:22:43.209891
• Title: LEGNet: Lightweight Edge-Gaussian Driven Network for Low-Quality Remote Sensing Image Object Detection
• Title（参考訳）: LEGNet:低品質リモートセンシング画像検出のための軽量エッジガウス駆動ネットワーク
• Authors: Wei Lu, Si-Bao Chen, Hui-Dong Li, Qing-Ling Shu, Chris H. Q. Ding, Jin Tang, Bin Luo,
• Abstract要約: 本稿では,新しいエッジ・ガウス・アグリゲーション(EGA)モジュールを備えた軽量バックボーンネットワークであるLEGNetを紹介する。 EGAモジュールは、(a)低コントラストやぼやけたオブジェクトでしばしば失われる重要なエッジの詳細を鋭くするために、方向対応のScharrフィルタと、(b)ノイズを抑え、あいまいな特徴応答を規則化するガウス的特徴改善を統合している。 5つのベンチマークの総合的な評価は、LEGNetが最先端のパフォーマンス、特に低品質なオブジェクトの検出を達成していることを示している。
• 参考スコア（独自算出の注目度）: 18.804394986840887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing object detection (RSOD) often suffers from degradations such as low spatial resolution, sensor noise, motion blur, and adverse illumination. These factors diminish feature distinctiveness, leading to ambiguous object representations and inadequate foreground-background separation. Existing RSOD methods exhibit limitations in robust detection of low-quality objects. To address these pressing challenges, we introduce LEGNet, a lightweight backbone network featuring a novel Edge-Gaussian Aggregation (EGA) module specifically engineered to enhance feature representation derived from low-quality remote sensing images. EGA module integrates: (a) orientation-aware Scharr filters to sharpen crucial edge details often lost in low-contrast or blurred objects, and (b) Gaussian-prior-based feature refinement to suppress noise and regularize ambiguous feature responses, enhancing foreground saliency under challenging conditions. EGA module alleviates prevalent problems in reduced contrast, structural discontinuities, and ambiguous feature responses prevalent in degraded images, effectively improving model robustness while maintaining computational efficiency. Comprehensive evaluations across five benchmarks (DOTA-v1.0, v1.5, DIOR-R, FAIR1M-v1.0, and VisDrone2019) demonstrate that LEGNet achieves state-of-the-art performance, particularly in detecting low-quality objects. The code is available at https://github.com/lwCVer/LEGNet.
• Abstract（参考訳）: リモートセンシングオブジェクト検出(RSOD)は、低空間分解能、センサノイズ、動きのぼかし、照明不良などの劣化に悩まされることが多い。 これらの要因は特徴的特徴を減少させ,不明瞭な対象表現や前景と背景の分離に繋がる。 既存のRSOD法では、低品質物体のロバスト検出に制限がある。 これらの課題に対処するために,低品質リモートセンシング画像から得られる特徴表現を強化するために特別に設計された,エッジ・ガウス・アグリゲーション(EGA)モジュールを備えた軽量バックボーンネットワークであるLEGNetを導入する。 EGAモジュールの統合 (a)低コントラストやぼやけた物体でしばしば失われる重要なエッジの細部を鋭くする指向性Scharrフィルタ b) 雑音を抑え、不明瞭な特徴応答を規則化し、困難条件下で前景の塩分濃度を高めるガウス的特徴改善 EGAモジュールは、縮小コントラスト、構造的不連続性、および劣化画像でよく見られるあいまいな特徴応答を緩和し、計算効率を保ちながらモデルロバスト性を効果的に改善する。 5つのベンチマーク(DOTA-v1.0、v1.5、DIOR-R、FAIR1M-v1.0、VisDrone2019)の総合的な評価は、LEGNetが最先端のパフォーマンス、特に低品質なオブジェクトを検出できることを示した。 コードはhttps://github.com/lwCVer/LEGNetで公開されている。

関連論文リスト

• LL-Gaussian: Low-Light Scene Reconstruction and Enhancement via Gaussian Splatting for Novel View Synthesis [17.470869402542533]
  低照度シーンにおける新しいビュー合成(NVS)は、劣化した入力のために重要な課題である。 低照度sRGB画像からの3次元再構成と拡張のための新しいフレームワークであるLL-Gaussianを提案する。 最先端のNeRFベースの手法と比較して、LL-Gaussianは最大2000倍高速な推論を実現し、トレーニング時間を2%に短縮する。
  論文  参考訳（メタデータ） (2025-04-14T15:39:31Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [63.87313550399871]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基礎モデルと潜在空間アライメントによるクロスモーダルな知識伝達を確立する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• RFWNet: A Lightweight Remote Sensing Object Detector Integrating Multi-Scale Receptive Fields and Foreground Focus Mechanism [10.997183129304409]
  本研究では,RFWNet というマルチスケール受容場とフォアグラウンドフォーカス機構を組み込んだ,効率的かつ軽量なRSODアルゴリズムを提案する。 DOTA V1.0とNWPU VHR-10データセットの実験的評価は、RFWNetが6.0Mパラメータで高度なパーフォルマンスを達成し、52FPSを達成することを示した。
  論文  参考訳（メタデータ） (2025-03-01T16:02:15Z)
• Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
  エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。 既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。 本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
  論文  参考訳（メタデータ） (2024-12-24T07:28:10Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• Attention Guided Network for Salient Object Detection in Optical Remote Sensing Images [16.933770557853077]
  光リモートセンシング画像(RSI-SOD)における局所物体検出は非常に難しい作業である。 本稿では,光学RSIにおけるSODのための新しい注意誘導ネットワーク(AGNet)を提案する。 AGNetは、他の最先端の手法と比較して、競争力がある。
  論文  参考訳（メタデータ） (2022-07-05T01:01:03Z)
• SALISA: Saliency-based Input Sampling for Efficient Video Object Detection [58.22508131162269]
  ビデオオブジェクト検出のための新しい一様SALiencyベースの入力SAmpling技術であるSALISAを提案する。 SALISAは小物体の検出を著しく改善することを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:51Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• RRNet: Relational Reasoning Network with Parallel Multi-scale Attention for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
  光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。 光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。 提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
  論文  参考訳（メタデータ） (2021-10-27T07:18:32Z)
• CFC-Net: A Critical Feature Capturing Network for Arbitrary-Oriented Object Detection in Remote Sensing Images [0.9462808515258465]
  本稿では,物体検出における識別的特徴の役割について論じる。 次に,検出精度を向上させるために,cfc-net (critical feature capture network) を提案する。 本手法は多くの最先端手法と比較して優れた検出性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-01-18T02:31:09Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)
• Small-Object Detection in Remote Sensing Images with End-to-End Edge-Enhanced GAN and Object Detector Network [9.135036713000513]
  超高分解能GAN(ESRGAN)と呼ばれるGANベースモデルでは,画像強調性能が顕著である。 リモートセンシング画像の画質を向上させるために,新しいエッジ強化超解像GAN(EESRGAN)を提案する。
  論文  参考訳（メタデータ） (2020-03-20T03:07:30Z)

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。