論文の概要: Dome-DETR: DETR with Density-Oriented Feature-Query Manipulation for Efficient Tiny Object Detection

• arxiv url: http://arxiv.org/abs/2505.05741v1
• Date: Fri, 09 May 2025 02:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.131211
• Title: Dome-DETR: DETR with Density-Oriented Feature-Query Manipulation for Efficient Tiny Object Detection
• Title（参考訳）: Dome-DETR:高効率Tinyオブジェクト検出のための密度指向特徴クエリマニピュレーションを用いたDETR
• Authors: Zhangchi Hu, Peixi Wu, Jie Chen, Huyue Zhu, Yijun Wang, Yansong Peng, Hebei Li, Xiaoyan Sun,
• Abstract要約: Dome-DETRは、高効率Tinyオブジェクト検出のための密度指向の特徴クエリ操作を備えた新しいフレームワークである。 最先端のパフォーマンス(AI-TOD-V2では+3.3 AP、VisDroneでは+2.5 AP)を実現し、計算の複雑さとコンパクトなモデルサイズを維持している。
• 参考スコア（独自算出の注目度）: 7.16574066661446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tiny object detection plays a vital role in drone surveillance, remote sensing, and autonomous systems, enabling the identification of small targets across vast landscapes. However, existing methods suffer from inefficient feature leverage and high computational costs due to redundant feature processing and rigid query allocation. To address these challenges, we propose Dome-DETR, a novel framework with Density-Oriented Feature-Query Manipulation for Efficient Tiny Object Detection. To reduce feature redundancies, we introduce a lightweight Density-Focal Extractor (DeFE) to produce clustered compact foreground masks. Leveraging these masks, we incorporate Masked Window Attention Sparsification (MWAS) to focus computational resources on the most informative regions via sparse attention. Besides, we propose Progressive Adaptive Query Initialization (PAQI), which adaptively modulates query density across spatial areas for better query allocation. Extensive experiments demonstrate that Dome-DETR achieves state-of-the-art performance (+3.3 AP on AI-TOD-V2 and +2.5 AP on VisDrone) while maintaining low computational complexity and a compact model size. Code will be released upon acceptance.
• Abstract（参考訳）: ドローンの監視、リモートセンシング、自律システムにおいて、小さな物体検出は重要な役割を果たす。 しかし,既存手法は冗長な特徴処理と厳密なクエリ割り当てにより,非効率な特徴レバレッジと高い計算コストに悩まされている。 これらの課題に対処するため,我々は,高効率ティニーオブジェクト検出のための密度指向特徴クエリマニピュレーションを備えた新しいフレームワークであるDome-DETRを提案する。 特徴冗長性を低減するために,クラスタ化されたコンパクトな前景マスクを生成する軽量密度焦点外乱計(DeFE)を導入する。 これらのマスクを活用することで,Masked Window Attention Sparsification (MWAS) を組み込んで,疎注意による最も情報性の高い領域に計算資源を集中させる。 さらに,適応型クエリ初期化 (PAQI) を提案する。 大規模な実験により、Dome-DETRは計算の複雑さとコンパクトなモデルサイズを維持しつつ、最先端のパフォーマンス(AI-TOD-V2では+3.3 AP、VisDroneでは+2.5 AP)を達成することが示された。 コードは受理時にリリースされる。

関連論文リスト

• An Efficient Aerial Image Detection with Variable Receptive Fields [0.0]
  3つの鍵成分を組み込んだ変圧器型検出器を提案する。 VRF-DETRは51.4%のmAPtextsubscript50と31.8%のmAPtextsubscript50:95を13.5Mパラメータで達成している。
  論文  参考訳（メタデータ） (2025-04-21T15:16:13Z)
• SO-DETR: Leveraging Dual-Domain Features and Knowledge Distillation for Small Object Detection [15.03203094818889]
  本稿では,SO-DETR(Small Object Detection Transformer)モデルを提案する。 このモデルは3つの重要なコンポーネントから構成される:二重ドメインハイブリッドエンコーダ、拡張クエリ選択機構、知識蒸留戦略である。 VisDrone 2019-DETとUAVVasteデータセットの実験結果は、SO-DETRが同様の計算要求で既存の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-11T13:47:37Z)
• Efficient Oriented Object Detection with Enhanced Small Object Recognition in Aerial Images [2.9138705529771123]
  本稿では,オブジェクト指向物体検出タスクに適したYOLOv8モデルを新たに拡張する。 本モデルでは,ASFP(Adaptive Scale Feature Pyramid)モジュールと,P2層の詳細を利用したウェーブレット変換に基づくC2fモジュールを特徴とする。 我々のアプローチは233万のパラメータを持つDecoupleNetよりも効率的なアーキテクチャ設計を提供し、検出精度を維持しています。
  論文  参考訳（メタデータ） (2024-12-17T05:45:48Z)
• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• ESOD: Efficient Small Object Detection on High-Resolution Images [36.80623357577051]
  小さなオブジェクトは通常、わずかに分散され、局所的にクラスタ化される。 画像の非対象背景領域において、大量の特徴抽出計算を無駄にする。 本稿では,検出器のバックボーンを再利用して,特徴レベルのオブジェクト探索とパッチスライシングを行う方法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T12:21:23Z)
• 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)
• 3D Small Object Detection with Dynamic Spatial Pruning [62.72638845817799]
  本稿では,3次元小物体検出のための効率的な特徴解析手法を提案する。 空間分解能の高いDSPDet3Dというマルチレベル3次元検出器を提案する。 ほぼ全ての物体を検知しながら、4500k以上のポイントからなる建物全体を直接処理するには2秒もかからない。
  論文  参考訳（メタデータ） (2023-05-05T17:57:04Z)
• 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)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)
• PENet: Object Detection using Points Estimation in Aerial Images [9.33900415971554]
  これらの課題に対処するために,新しいネットワーク構造であるポイント推定ネットワーク(PENet)を提案する。 PENetはMask Resampling Module(MRM)を使用して、不均衡なデータセットを増大させ、粗いアンカーフリー検出器(CPEN)で小さなオブジェクトクラスタの中心点を効果的に予測し、微細なアンカーフリー検出器FPENで小さなオブジェクトの正確な位置を特定する。 航空データセット visDrone と UAVDT による実験により,PENet は既存の最先端手法よりも精度の高い結果を得た。
  論文  参考訳（メタデータ） (2020-01-22T19:43:17Z)

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。