Fugu-MT 論文翻訳(概要): Data Augmentation For Small Object using Fast AutoAugment

論文の概要: Data Augmentation For Small Object using Fast AutoAugment

arxiv url: http://arxiv.org/abs/2506.08956v1
Date: Tue, 10 Jun 2025 16:25:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-11 15:11:42.861842
Title: Data Augmentation For Small Object using Fast AutoAugment
Title（参考訳）: Fast AutoAugment を用いた小型オブジェクトのデータ拡張
Authors: DaeEun Yoon, Semin Kim, SangWook Yoo, Jongha Lee,
Abstract要約: 本稿では,Fast AutoAugment を用いたデータ拡張手法を提案する。 DOTAデータセット上で20%の性能向上を実現した。
参考スコア（独自算出の注目度）: 1.3024517678456733
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, there has been tremendous progress in object detection performance. However, despite these advances, the detection performance for small objects is significantly inferior to that of large objects. Detecting small objects is one of the most challenging and important problems in computer vision. To improve the detection performance for small objects, we propose an optimal data augmentation method using Fast AutoAugment. Through our proposed method, we can quickly find optimal augmentation policies that can overcome degradation when detecting small objects, and we achieve a 20% performance improvement on the DOTA dataset.
Abstract（参考訳）: 近年,物体検出性能は著しく進歩している。しかし、これらの進歩にもかかわらず、小型物体の検出性能は大型物体よりも著しく劣っている。小さな物体を検出することは、コンピュータビジョンにおいて最も困難で重要な問題の一つである。そこで本研究では,Fast AutoAugment を用いたデータ拡張手法を提案する。提案手法により,小物体検出時の劣化を克服する最適な拡張ポリシーを迅速に見つけることができ,DOTAデータセット上で20%の性能向上を実現することができる。

関連論文リスト

Object Detection and Tracking [0.0]
プロジェクトの目的は、オブジェクト検出のための最新の技術を統合することであり、リアルタイムのパフォーマンスで高い精度を達成することを目的としている。本研究では,ディープラーニング技術を用いて,エンドツーエンドの物体検出問題を完全に解決する。
論文参考訳（メタデータ） (2025-02-14T17:13:52Z)
Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
論文参考訳（メタデータ） (2024-12-16T09:14:32Z)
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)
Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
論文参考訳（メタデータ） (2024-05-18T12:22:26Z)
Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
論文参考訳（メタデータ） (2024-05-17T04:37:44Z)
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)
Improved detection of small objects in road network sequences [0.0]
本稿では,畳み込みニューラルネットワークによる検出に基づく超解像プロセスを適用し,小型物体の検出手法を提案する。本研究は, 異なるスケールの要素を含むトラヒック画像の集合に対して, モデルにより得られた検出値に従って効率を試験するために試験された。
論文参考訳（メタデータ） (2021-05-18T10:13:23Z)
Scale-aware Automatic Augmentation for Object Detection [63.087930708444695]
オブジェクト検出のためのデータ拡張ポリシーを学ぶために,Scale-aware AutoAugを提案する。実験では、Scale-aware AutoAugはさまざまな物体検出器に有意で一貫した改善をもたらす。
論文参考訳（メタデータ） (2021-03-31T17:11:14Z)
QueryDet: Cascaded Sparse Query for Accelerating High-Resolution Small Object Detection [17.775203579232144]
特徴ピラミド系物体検出器の推論速度を高速化する新規なクエリ機構を提案する。パイプラインはまず、低解像度特徴量上の小さな物体の粗い位置を予測し、高解像度特徴量を用いて正確な検出結果を算出する。一般的なCOCOデータセットでは,検出mAPを1.0倍,mAPを2.0倍に改善し,高分解能推論速度を平均3.0倍に向上する。
論文参考訳（メタデータ） (2021-03-16T15:30:20Z)

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。