論文の概要: Learning Using Privileged Information for Litter Detection
- arxiv url: http://arxiv.org/abs/2508.04124v1
- Date: Wed, 06 Aug 2025 06:46:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.572842
- Title: Learning Using Privileged Information for Litter Detection
- Title（参考訳）: リッター検出のための予備情報を用いた学習
- Authors: Matthias Bartolo, Konstantinos Makantasis, Dylan Seychell,
- Abstract要約: 本研究では,特権情報とディープラーニング物体検出を組み合わせた新しい手法を提案する。
提案手法は,広く用いられている5つの物体検出モデルにまたがって評価する。
以上の結果から, この手法は, ごみ検出の実用化に有効であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.6390468088226494
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As litter pollution continues to rise globally, developing automated tools capable of detecting litter effectively remains a significant challenge. This study presents a novel approach that combines, for the first time, privileged information with deep learning object detection to improve litter detection while maintaining model efficiency. We evaluate our method across five widely used object detection models, addressing challenges such as detecting small litter and objects partially obscured by grass or stones. In addition to this, a key contribution of our work can also be attributed to formulating a means of encoding bounding box information as a binary mask, which can be fed to the detection model to refine detection guidance. Through experiments on both within-dataset evaluation on the renowned SODA dataset and cross-dataset evaluation on the BDW and UAVVaste litter detection datasets, we demonstrate consistent performance improvements across all models. Our approach not only bolsters detection accuracy within the training sets but also generalises well to other litter detection contexts. Crucially, these improvements are achieved without increasing model complexity or adding extra layers, ensuring computational efficiency and scalability. Our results suggest that this methodology offers a practical solution for litter detection, balancing accuracy and efficiency in real-world applications.
- Abstract（参考訳）: ごみ汚染が世界中で増加し続ける中、ゴミを効果的に検出できる自動化ツールの開発は重要な課題である。
本研究は, モデル効率を維持しながら, 特権情報と深層学習物体検出を併用し, ごみ検出を改善する新しい手法を提案する。
提案手法は,草や石で部分的に隠された小さなゴミや物体を検知するなどの課題に対処するため,広く利用されている5つの物体検出モデルにまたがって評価を行った。
これに加えて、本研究の重要な貢献は、境界ボックス情報をバイナリマスクとして符号化する手段を定式化し、検出モデルに入力して検出ガイダンスを洗練させることによるものである。
有名なSODAデータセットのデータセット内評価と、BDWおよびUAVVasteリッター検出データセットのクロスデータセット評価の両方の実験を通じて、全モデルで一貫した性能改善を示す。
我々のアプローチは、トレーニングセット内の検出精度を高めるだけでなく、他のリッター検出コンテキストにも応用できる。
重要なのは、これらの改善は、モデルの複雑さを増大させることなく、余分なレイヤを追加し、計算効率とスケーラビリティを確保することである。
提案手法は,現実世界のアプリケーションにおいて,ごみ検出,精度のバランス,効率の両立を図るための実用的な方法であると考えられる。
関連論文リスト
- Architectural Insights into Knowledge Distillation for Object Detection: A Comprehensive Review [1.374949083138427]
このレビューでは、CNNベースの検出器とTransformerベースの検出器を区別する、KD手法のための新しいアーキテクチャ中心の分類法を紹介した。
提案した分類と分析は,オブジェクト検出におけるKDの進化する状況を明らかにすることを目的としており,現状の課題を浮き彫りにして,効率的でスケーラブルな検出システムに向けた今後の研究を導くことを目的としている。
論文 参考訳（メタデータ） (2025-08-05T10:53:46Z) - Benchmarking pig detection and tracking under diverse and challenging conditions [1.865175170209582]
オブジェクト検出のためのPigDetectと、マルチオブジェクト追跡のためのPigTrackの2つのデータセットをキュレートした。
対象物検出では,ランダムなサンプル画像のみを用いて達成可能なものよりも,困難なトレーニング画像により検出が向上することを示す。
マルチオブジェクト追跡において,SORTに基づく手法は,エンドツーエンドのトレーニング可能なモデルに比べて優れた検出性能が得られることを示した。
論文 参考訳（メタデータ） (2025-07-22T14:36:51Z) - Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。
既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。
提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文 参考訳（メタデータ） (2025-03-19T05:25:52Z) - 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) - 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) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - Combating noisy labels in object detection datasets [0.0]
本稿では,オブジェクト検出データセットにおける各ラベルの品質を評価するためのCLODアルゴリズムを提案する。
欠落した、突発的で、ラベルが間違えた、そして誤配置されたバウンディングボックスを特定し、修正を提案する。
提案手法は, 擬陽性率0.1未満の人工乱れ箱の80%近くを指摘できる。
論文 参考訳（メタデータ） (2022-11-25T10:05:06Z) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳（メタデータ） (2021-12-31T10:03:47Z) - Real-World Semantic Grasping Detection [0.34410212782758054]
本稿では,意味認識と把握検出を両立できるエンドツーエンドのセマンティック把握検出モデルを提案する。
また,検出を把握するためのセマンティック情報に基づき,単一のオブジェクトの特徴のみを保持するターゲット特徴フィルタリング機構を設計する。
実験結果から,コーネルグルーピングデータセットの98.38%の精度が得られた。
論文 参考訳（メタデータ） (2021-11-20T05:57:22Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳（メタデータ） (2021-04-07T05:42:11Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳（メタデータ） (2020-03-09T08:16:16Z)
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。