論文の概要: Semantic-decoupled Spatial Partition Guided Point-supervised Oriented Object Detection
- arxiv url: http://arxiv.org/abs/2506.10601v1
- Date: Thu, 12 Jun 2025 11:44:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:22.707157
- Title: Semantic-decoupled Spatial Partition Guided Point-supervised Oriented Object Detection
- Title（参考訳）: 意味分離型空間分割誘導点監督指向物体検出
- Authors: Xinyuan Liu, Hang Xu, Yike Ma, Yucheng Zhang, Feng Dai,
- Abstract要約: SSP(Semantic-Decoupled Spatial Partition)は、ルール駆動の事前注入とデータ駆動のラベルの精製を相乗化するための統合フレームワークである。
具体的には、1) 画素レベルの空間分割に基づくサンプル割り当て(SSP) オブジェクトスケールの上下境界をコンパクトに推定し、ピクセルマップの空間分割を通じて高品質な正サンプルと強負サンプルをマイニングする。
- 参考スコア（独自算出の注目度）: 28.454610238715347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent remote sensing tech advancements drive imagery growth, making oriented object detection rapid development, yet hindered by labor-intensive annotation for high-density scenes. Oriented object detection with point supervision offers a cost-effective solution for densely packed scenes in remote sensing, yet existing methods suffer from inadequate sample assignment and instance confusion due to rigid rule-based designs. To address this, we propose SSP (Semantic-decoupled Spatial Partition), a unified framework that synergizes rule-driven prior injection and data-driven label purification. Specifically, SSP introduces two core innovations: 1) Pixel-level Spatial Partition-based Sample Assignment, which compactly estimates the upper and lower bounds of object scales and mines high-quality positive samples and hard negative samples through spatial partitioning of pixel maps. 2) Semantic Spatial Partition-based Box Extraction, which derives instances from spatial partitions modulated by semantic maps and reliably converts them into bounding boxes to form pseudo-labels for supervising the learning of downstream detectors. Experiments on DOTA-v1.0 and others demonstrate SSP\' s superiority: it achieves 45.78% mAP under point supervision, outperforming SOTA method PointOBB-v2 by 4.10%. Furthermore, when integrated with ORCNN and ReDet architectures, the SSP framework achieves mAP values of 47.86% and 48.50%, respectively. The code is available at https://github.com/antxinyuan/ssp.
- Abstract（参考訳）: 最近のリモートセンシング技術の進歩は、画像の成長を加速させ、オブジェクト指向の物体検出を迅速に開発するが、高密度シーンに対する労働集約的なアノテーションによって妨げられる。
点監視によるオブジェクト指向物体検出は、リモートセンシングにおいて密封されたシーンに対してコスト効率のよいソリューションを提供するが、既存の手法では厳密な規則に基づく設計によるサンプルの割り当てやインスタンスの混乱に悩まされている。
そこで本研究では,ルール駆動型事前注入とデータ駆動型ラベル浄化を相乗化するための統合フレームワークであるSSP(Semantic-Decoupled Spatial Partition)を提案する。
具体的には、SSPは2つのコアイノベーションを導入している。
1) 画素マップの空間分割により, オブジェクトスケールの上下境界をコンパクトに推定し, 高品質な正試料, 硬質負試料を採掘する, 画素レベルの空間分割に基づくサンプル割り当てを行う。
2)意味空間分割に基づくボックス抽出は,意味地図によって変調された空間分割からインスタンスを導出し,それらを有界箱に確実に変換し,下流検出器の学習を監督するための擬似ラベルを形成する。
DOTA-v1.0などの実験では、点監督下で45.78%のmAPを達成し、ポイントOBB-v2を4.10%上回った。
さらに、ORCNNとReDetアーキテクチャを統合すると、SSPフレームワークはそれぞれ47.86%と48.50%のmAP値を達成する。
コードはhttps://github.com/antxinyuan/ssp.comで公開されている。
関連論文リスト
- SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。
様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - 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) - Learning Remote Sensing Object Detection with Single Point Supervision [17.12725535531483]
Pointly Supervised Object Detection (PSOD) は、ボックスレベルの監視対象検出と比較してラベリングコストが低いため、かなりの関心を集めている。
本研究では,RS画像に適したPSOD法を提案する。
提案手法は,最先端の画像レベルとポイントレベルの教師付き検出法と比較して性能が大幅に向上し,PSODとボックスレベルの教師付きオブジェクト検出の差を低減できる。
論文 参考訳（メタデータ） (2023-05-23T15:06:04Z) - SIOD: Single Instance Annotated Per Category Per Image for Object
Detection [67.64774488115299]
画像内の既存のカテゴリ毎に1つのインスタンスアノテーションのみを必要とする単一インスタンスアノテーションオブジェクト検出(SIOD)を提案する。
WSOD(Inter-task)やSSOD(Inter-image)の相違点からイメージ内の相違点に分解されたSIODは、ラベルなしインスタンスの残りをマイニングする上で、より信頼性が高く豊富な事前知識を提供する。
SIOD設定下では、類似性に基づく擬似ラベル生成モジュール(SPLG)と、Pixelレベルのグループコントラスト学習モジュール(PGCL)からなる、シンプルで効果的なフレームワークであるDual-Mining(DMiner)を提案する。
論文 参考訳（メタデータ） (2022-03-29T08:49:51Z) - Scribble-based Boundary-aware Network for Weakly Supervised Salient
Object Detection in Remote Sensing Images [10.628932392896374]
スパース・スクリブル・アノテーションからリモートセンシング画像の正当性を予測するために,弱教師付きサルエント・オブジェクト検出フレームワークを提案する。
具体的には,高信頼度オブジェクト境界 (擬似) ラベルによって明示的に制御されるオブジェクト境界意味論を探索する境界対応モジュール (BAM) を設計する。
次に,境界セマンティクスを高次特徴と統合し,スクリブルラベルの監督下での健全な物体検出を誘導する。
論文 参考訳（メタデータ） (2022-02-07T20:32:21Z) - SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object
Detection [78.90102636266276]
SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。
そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。
実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
論文 参考訳（メタデータ） (2022-01-06T08:54:47Z) - Anchor Retouching via Model Interaction for Robust Object Detection in
Aerial Images [15.404024559652534]
本稿では,新しいトレーニングサンプルジェネレータを構築するために,動的拡張アンカー(DEA)ネットワークを提案する。
提案手法は,適度な推論速度とトレーニングの計算オーバーヘッドを伴って,最先端の性能を精度良く達成する。
論文 参考訳（メタデータ） (2021-12-13T14:37:20Z) - Point Cloud Instance Segmentation with Semi-supervised Bounding-Box
Mining [17.69745159912481]
ラベル付きおよび未ラベルのバウンディングボックスを監視として使用した,最初の半教師付きポイントクラウドインスタンスセグメンテーションフレームワーク(SPIB)を紹介した。
提案手法は,近年の完全教師付き手法と比較して,競争性能が向上する。
論文 参考訳（メタデータ） (2021-11-30T08:40:40Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z)
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。