論文の概要: Benchmarking Object Detectors under Real-World Distribution Shifts in Satellite Imagery
- arxiv url: http://arxiv.org/abs/2503.19202v1
- Date: Mon, 24 Mar 2025 23:04:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:55:42.267000
- Title: Benchmarking Object Detectors under Real-World Distribution Shifts in Satellite Imagery
- Title(参考訳): 衛星画像における実世界分布シフトによるオブジェクト検出のベンチマーク
- Authors: Sara Al-Emadi, Yin Yang, Ferda Ofli,
- Abstract要約: ドメイン一般化(DG)は、トレーニング中にターゲットディストリビューションにアクセスすることなく、モデルがOf-Distribution(OOD)データに一般化できるようにすることによってギャップを埋めようとしている。
実世界の分布シフト下での最先端物体検出器の汎用性とロバスト性について検討する。
本稿では,3つの新しいDGベンチマークデータセットのスイートであるReal-World Distribution Shifts (RWDS)を紹介する。
- 参考スコア(独自算出の注目度): 9.723791642707738
- License:
- Abstract: Object detectors have achieved remarkable performance in many applications; however, these deep learning models are typically designed under the i.i.d. assumption, meaning they are trained and evaluated on data sampled from the same (source) distribution. In real-world deployment, however, target distributions often differ from source data, leading to substantial performance degradation. Domain Generalisation (DG) seeks to bridge this gap by enabling models to generalise to Out-Of-Distribution (OOD) data without access to target distributions during training, enhancing robustness to unseen conditions. In this work, we examine the generalisability and robustness of state-of-the-art object detectors under real-world distribution shifts, focusing particularly on spatial domain shifts. Despite the need, a standardised benchmark dataset specifically designed for assessing object detection under realistic DG scenarios is currently lacking. To address this, we introduce Real-World Distribution Shifts (RWDS), a suite of three novel DG benchmarking datasets that focus on humanitarian and climate change applications. These datasets enable the investigation of domain shifts across (i) climate zones and (ii) various disasters and geographic regions. To our knowledge, these are the first DG benchmarking datasets tailored for object detection in real-world, high-impact contexts. We aim for these datasets to serve as valuable resources for evaluating the robustness and generalisation of future object detection models. Our datasets and code are available at https://github.com/RWGAI/RWDS.
- Abstract(参考訳): オブジェクト検出器は多くのアプリケーションで顕著な性能を達成しているが、これらのディープラーニングモデルは一般にi.d.仮定に基づいて設計されており、同じ(ソース)分布からサンプリングされたデータに基づいて訓練され評価される。
しかし、現実のデプロイメントでは、ターゲットのディストリビューションはソースデータとしばしば異なり、パフォーマンスが大幅に低下する。
ドメイン・ジェネリゼーション(DG)はこのギャップを埋めるために、トレーニング中にターゲットのディストリビューションにアクセスせずにモデルがOf-Distribution(OOD)データに一般化できるようにし、目に見えない条件に堅牢性を高める。
本研究では, 空間領域シフトに着目し, 実空間分布シフト下での最先端物体検出器の汎用性とロバスト性について検討する。
必要にもかかわらず、現実的なDGシナリオ下でオブジェクト検出を評価するために特別に設計された標準化されたベンチマークデータセットは、現在不足している。
これを解決するために、人道的および気候変動の応用に焦点を当てた3つの新しいDGベンチマークデータセットのスイートであるReal-World Distribution Shifts (RWDS)を紹介します。
これらのデータセットはドメインシフトの調査を可能にする
(i)気候帯及び気候帯
(二)災害地域及び地域
我々の知る限り、これらのデータセットは現実世界の高インパクトコンテキストにおけるオブジェクト検出に適した最初のDGベンチマークデータセットである。
これらのデータセットは、将来のオブジェクト検出モデルの堅牢性と一般化を評価するための貴重なリソースとなることを目指している。
データセットとコードはhttps://github.com/RWGAI/RWDS.comで公開されています。
関連論文リスト
- Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。
擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。
実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
論文 参考訳(メタデータ) (2024-12-18T13:03:00Z) - Distribution Shifts at Scale: Out-of-distribution Detection in Earth Observation [4.457854503856095]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)データとは異なる入力を特定するという課題に対処する。
スケーラブルな地理空間展開のためのポストホックOOD検出手法であるTARDISを提案する。
本手法は,事前学習モデル,IDデータWILDサンプル,WILDサンプルを用いて,後者をサロゲートIDに分離し,OODラベルをサロゲートする。
スケーラビリティを示すために、我々はFields of the WorldデータセットにTARDISをデプロイし、大規模デプロイメントのためのトレーニング済みモデルの振る舞いに関する実行可能な洞察を提供する。
論文 参考訳(メタデータ) (2024-12-18T00:10:44Z) - HiGDA: Hierarchical Graph of Nodes to Learn Local-to-Global Topology for Semi-Supervised Domain Adaptation [0.18749305679160366]
機能レベルとカテゴリレベルの両方で表現を同時に提示するように設計されたノードの階層グラフを導入します。
本研究では、画像内の最も関連性の高いパッチを識別するための局所グラフを導入し、定義された主オブジェクト表現への適応性を促進する。
カテゴリレベルでは、グローバルグラフを使用して、同じカテゴリ内のサンプルから特徴を集約し、全体的な表現を豊かにする。
論文 参考訳(メタデータ) (2024-12-16T14:35:52Z) - Non-stationary Domain Generalization: Theory and Algorithm [11.781050299571692]
本稿では,非定常環境における領域一般化について検討する。
まず,環境非定常性がモデル性能に及ぼす影響について検討する。
そこで我々は適応不変表現学習に基づく新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-05-10T21:32:43Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳(メタデータ) (2022-12-14T15:54:15Z) - Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives [16.68091981866261]
対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
論文 参考訳(メタデータ) (2022-08-15T20:05:07Z) - On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。
いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。
我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-24T16:29:43Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳(メタデータ) (2021-05-07T03:49:26Z) - BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。
既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。
この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
論文 参考訳(メタデータ) (2020-08-11T17:04:47Z)
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。