論文の概要: Weakly-supervised Contrastive Learning with Quantity Prompts for Moving Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2507.02454v1
• Date: Thu, 03 Jul 2025 09:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.985049
• Title: Weakly-supervised Contrastive Learning with Quantity Prompts for Moving Infrared Small Target Detection
• Title（参考訳）: 量子プロンプトを用いた弱教師付きコントラスト学習による赤外小ターゲット検出
• Authors: Weiwei Duan, Luping Ji, Shengjia Chen, Sicheng Zhu, Jianghong Huang, Mao Ye,
• Abstract要約: 小さいターゲットサイズと弱い背景コントラストのため、赤外線小ターゲット検出の移動は大きな課題に直面している。 現在、既存のほとんどのメソッドは、完全に管理されており、多くの手動のターゲットワイドアノテーションに依存しています。 本稿では,モデル学習において単純な目標量プロンプトのみを必要とする弱教師付きコントラスト学習(WeCoL)方式を提案する。
• 参考スコア（独自算出の注目度）: 11.930404803127358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from general object detection, moving infrared small target detection faces huge challenges due to tiny target size and weak background contrast.Currently, most existing methods are fully-supervised, heavily relying on a large number of manual target-wise annotations. However, manually annotating video sequences is often expensive and time-consuming, especially for low-quality infrared frame images. Inspired by general object detection, non-fully supervised strategies ($e.g.$, weakly supervised) are believed to be potential in reducing annotation requirements. To break through traditional fully-supervised frameworks, as the first exploration work, this paper proposes a new weakly-supervised contrastive learning (WeCoL) scheme, only requires simple target quantity prompts during model training.Specifically, in our scheme, based on the pretrained segment anything model (SAM), a potential target mining strategy is designed to integrate target activation maps and multi-frame energy accumulation.Besides, contrastive learning is adopted to further improve the reliability of pseudo-labels, by calculating the similarity between positive and negative samples in feature subspace.Moreover, we propose a long-short term motion-aware learning scheme to simultaneously model the local motion patterns and global motion trajectory of small targets.The extensive experiments on two public datasets (DAUB and ITSDT-15K) verify that our weakly-supervised scheme could often outperform early fully-supervised methods. Even, its performance could reach over 90\% of state-of-the-art (SOTA) fully-supervised ones.
• Abstract（参考訳）: 一般的なオブジェクト検出と異なり、小さなターゲットサイズと弱い背景コントラストのため、赤外線小ターゲット検出は大きな課題に直面している。 しかし、特に低品質の赤外線フレーム画像の場合、手動で動画のアノテートは高価で時間を要することが多い。 一般的なオブジェクト検出にインスパイアされた非教師付き戦略(例えば、弱教師付き戦略)は、アノテーションの要求を減らす可能性があると考えられている。 従来の完全教師付きフレームワークを打破するため,本研究では,モデルトレーニング中に単純な目標量のプロンプトしか必要としないWeCoL方式を提案する。特に,事前訓練されたセグメントの任意のモデル(SAM)に基づいて,ターゲットの活性化マップとマルチフレームのエネルギー蓄積を統合するために,潜在的対象のマイニング戦略を設計する。また,機能部分空間における正と負のサンプルの類似性を計算して,擬似ラベルの信頼性をさらに向上するために,従来よりも長期に渡り,局所的な動きパターンと小ターゲットのグローバルな運動軌跡を同時にモデル化する動き認識学習方式を提案する。 それでも、そのパフォーマンスは90%以上の最先端(SOTA)が完全に監督されている。

関連論文リスト

• From Easy to Hard: Progressive Active Learning Framework for Infrared Small Target Detection with Single Point Supervision [18.555485444818835]
  単一点監視のための革新的プログレッシブアクティブラーニング(PAL)フレームワークを構築した。 簡単なサンプルを自動選択することに焦点を当てたモデル事前開始概念を提案する。 PALフレームワークを搭載した既存のSIRST検出ネットワークは、複数の公開データセットに対して、最先端(SOTA)の結果を得たことを示す。
  論文  参考訳（メタデータ） (2024-12-15T11:08:49Z)
• Robust infrared small target detection using self-supervised and a contrario paradigms [1.2224547302812558]
  我々は、赤外線小ターゲット検出(IRSTD)を改善するために、コントラリオパラダイムと自己監視学習(SSL)を組み合わせた新しいアプローチを導入する。 一方、YOLO検出ヘッドへの対向基準の統合は、誤報を効果的に制御しつつ、小型で予期せぬ物体に対する特徴マップ応答を高める。 本研究は, YOLOを用いた小型物体検出に適用した場合, インスタンス識別手法がマスク画像モデリング手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-09T21:08:57Z)
• Refined Infrared Small Target Detection Scheme with Single-Point Supervision [2.661766509317245]
  単一点監視を用いた革新的赤外線小目標検出手法を提案する。 提案手法は最先端(SOTA)性能を実現する。 特に、提案手法は「ICPR 2024 Resource-Limited Infrared Small Target Detection Challenge Track 1: Weakly Supervised Infrared Small Target Detection」で3位を獲得した。
  論文  参考訳（メタデータ） (2024-08-05T18:49:58Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR [43.971680545189756]
  本稿では,SCTと呼ばれる自己制御型移動物体検出手法を提案する。 これは、検出性能を改善するために、モーションキューと期待対象サイズの両方を使用する。 我々は,KITTI追跡ベンチマークにおいて,最先端の自己管理型移動物体検出法TCRを著しく上回る性能を示した。
  論文  参考訳（メタデータ） (2022-09-21T16:12:46Z)
• Texture-guided Saliency Distilling for Unsupervised Salient Object Detection [67.10779270290305]
  本研究では, 簡便かつ高精度な塩分濃度の知識を抽出するUSOD法を提案する。 提案手法は,RGB,RGB-D,RGB-T,ビデオSODベンチマーク上での最先端USOD性能を実現する。
  論文  参考訳（メタデータ） (2022-07-13T02:01:07Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。