論文の概要: SAR-NAS: Lightweight SAR Object Detection with Neural Architecture Search

• arxiv url: http://arxiv.org/abs/2509.01279v1
• Date: Mon, 01 Sep 2025 09:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.615285
• Title: SAR-NAS: Lightweight SAR Object Detection with Neural Architecture Search
• Title（参考訳）: SAR-NAS:ニューラルネットワークによる軽量SARオブジェクト検出
• Authors: Xinyi Yu, Zhiwei Lin, Yongtao Wang,
• Abstract要約: 本稿では,既存の軽量物体検出器 YOLOv10 のSAR 物体検出への応用について検討する。 ネットワーク構造を体系的に最適化するために、ニューラルネットワークサーチ(NAS)を用いる。 特に、この研究は初めてSARオブジェクト検出にNASを導入している。
• 参考スコア（独自算出の注目度）: 22.066747539011427
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Synthetic Aperture Radar (SAR) object detection faces significant challenges from speckle noise, small target ambiguities, and on-board computational constraints. While existing approaches predominantly focus on SAR-specific architectural modifications, this paper explores the application of the existing lightweight object detector, i.e., YOLOv10, for SAR object detection and enhances its performance through Neural Architecture Search (NAS). Specifically, we employ NAS to systematically optimize the network structure, especially focusing on the backbone architecture search. By constructing an extensive search space and leveraging evolutionary search, our method identifies a favorable architecture that balances accuracy, parameter efficiency, and computational cost. Notably, this work introduces NAS to SAR object detection for the first time. The experimental results on the large-scale SARDet-100K dataset demonstrate that our optimized model outperforms existing SAR detection methods, achieving superior detection accuracy while maintaining lower computational overhead. We hope this work offers a novel perspective on leveraging NAS for real-world applications.
• Abstract（参考訳）: SAR(Synthetic Aperture Radar)オブジェクト検出は、スペックルノイズ、小さなターゲットのあいまいさ、オンボードの計算制約など、重大な課題に直面している。 既存のアプローチは主にSAR固有のアーキテクチャ修正に重点を置いているが,本論文では,既存の軽量オブジェクト検出器であるYOLOv10をSARオブジェクト検出に適用し,ニューラルアーキテクチャサーチ(NAS)による性能向上を図る。 具体的には,NASを用いてネットワーク構造を体系的に最適化する。 広範囲な探索空間の構築と進化的探索の活用により,精度,パラメータ効率,計算コストのバランスのとれたアーキテクチャを同定する。 特に、この研究は初めてSARオブジェクト検出にNASを導入している。 大規模SARDet-100Kデータセットの実験結果から、最適化されたモデルが既存のSAR検出法より優れており、計算オーバーヘッドの低減を図りながら、より優れた検出精度を実現していることが示された。 この研究は、NASを現実世界のアプリケーションに活用するための新しい視点を提供することを期待しています。

関連論文リスト

• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• DONNAv2 -- Lightweight Neural Architecture Search for Vision tasks [6.628409795264665]
  計算効率の良いニューラルアーキテクチャ蒸留 - DONNAv2 のための次世代ニューラルアーキテクチャ設計について述べる。 DONNAv2は、より大きなデータセットに対して、DONNAの計算コストを10倍削減する。 NASサーチスペースの品質を向上させるため、DONNAv2はブロック知識蒸留フィルタを利用して推論コストの高いブロックを除去する。
  論文  参考訳（メタデータ） (2023-09-26T04:48:50Z)
• GeNAS: Neural Architecture Search with Better Generalization [14.92869716323226]
  最近のニューラルアーキテクチャサーチ(NAS)アプローチは、対象データに対して優れたネットワークを見つけるために、検証損失または精度に依存している。 そこで本研究では,より一般化した探索型アーキテクチャのためのニューラルアーキテクチャ探索手法について検討する。
  論文  参考訳（メタデータ） (2023-05-15T12:44:54Z)
• Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
  優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。 空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。 本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T03:49:04Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• Poisoning the Search Space in Neural Architecture Search [0.0]
  我々は,探索空間におけるデータ中毒攻撃に対して,効率的なNASと呼ばれるアルゴリズムのロバスト性を評価する。 以上の結果から,NASを用いたアーキテクチャ探索の課題に対する洞察が得られた。
  論文  参考訳（メタデータ） (2021-06-28T05:45:57Z)
• MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
  我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。 我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。 我々は精度-速度トレードオフの観点から最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-29T11:56:01Z)

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。