論文の概要: SOPSeg: Prompt-based Small Object Instance Segmentation in Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2509.03002v1
• Date: Wed, 03 Sep 2025 04:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.413477
• Title: SOPSeg: Prompt-based Small Object Instance Segmentation in Remote Sensing Imagery
• Title（参考訳）: SOPSeg: リモートセンシング画像におけるプロンプトベースの小さなオブジェクトインスタンスセグメンテーション
• Authors: Chenhao Wang, Yingrui Ji, Yu Meng, Yunjian Zhang, Yao Zhu,
• Abstract要約: リモートセンシング画像における小さなオブジェクトセグメンテーションに特化して設計された,プロンプトベースのフレームワークSOPSegを提案する。 きめ細かい詳細を保存するための領域適応倍率戦略を取り入れており、エッジ予測とプログレッシブ改良を統合したカスタマイズデコーダを採用している。 SOPSegは、既存のメソッドを小さなオブジェクトセグメンテーションで上回り、リモートセンシングタスクのための効率的なデータセット構築を容易にする。
• 参考スコア（独自算出の注目度）: 19.743431031185736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extracting small objects from remote sensing imagery plays a vital role in various applications, including urban planning, environmental monitoring, and disaster management. While current research primarily focuses on small object detection, instance segmentation for small objects remains underexplored, with no dedicated datasets available. This gap stems from the technical challenges and high costs of pixel-level annotation for small objects. While the Segment Anything Model (SAM) demonstrates impressive zero-shot generalization, its performance on small-object segmentation deteriorates significantly, largely due to the coarse 1/16 feature resolution that causes severe loss of fine spatial details. To this end, we propose SOPSeg, a prompt-based framework specifically designed for small object segmentation in remote sensing imagery. It incorporates a region-adaptive magnification strategy to preserve fine-grained details, and employs a customized decoder that integrates edge prediction and progressive refinement for accurate boundary delineation. Moreover, we introduce a novel prompting mechanism tailored to the oriented bounding boxes widely adopted in remote sensing applications. SOPSeg outperforms existing methods in small object segmentation and facilitates efficient dataset construction for remote sensing tasks. We further construct a comprehensive small object instance segmentation dataset based on SODA-A, and will release both the model and dataset to support future research.
• Abstract（参考訳）: リモートセンシング画像から小さな物体を抽出することは、都市計画、環境モニタリング、災害管理など、様々な用途において重要な役割を担っている。 現在の研究は、主に小さなオブジェクト検出に焦点を当てているが、小さなオブジェクトのインスタンスセグメンテーションは未探索のままであり、専用のデータセットは提供されていない。 このギャップは、小さなオブジェクトに対するピクセルレベルのアノテーションの技術的課題と高いコストに起因している。 Segment Anything Model (SAM) は印象的なゼロショットの一般化を示すが、小物体のセグメンテーションにおける性能は、粗い1/16特徴分解能により著しく低下する。 そこで本研究では,リモートセンシング画像における小さなオブジェクトセグメンテーションに特化して設計された,プロンプトベースのフレームワークSOPSegを提案する。 きめ細かい詳細を保存するための領域適応倍率戦略を取り入れており、エッジ予測とプログレッシブ改良を統合したカスタマイズデコーダを採用している。 さらに、リモートセンシングアプリケーションに広く採用されている指向性境界ボックスに合わせた、新しいプロンプト機構を導入する。 SOPSegは、既存のメソッドを小さなオブジェクトセグメンテーションで上回り、リモートセンシングタスクのための効率的なデータセット構築を容易にする。 さらに、SODA-Aに基づく包括的な小オブジェクトインスタンスセグメンテーションデータセットを構築し、将来の研究を支援するためにモデルとデータセットの両方をリリースする。

関連論文リスト

• Towards Flexible 3D Perception: Object-Centric Occupancy Completion Augments 3D Object Detection [54.78470057491049]
  占領は3Dシーンの知覚に有望な代替手段として現れてきた。 オブジェクトbboxのサプリメントとして,オブジェクト中心の占有率を導入する。 これらの特徴は,最先端の3Dオブジェクト検出器の検出結果を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2024-12-06T16:12:38Z)
• 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)
• Small Object Tracking in LiDAR Point Cloud: Learning the Target-awareness Prototype and Fine-grained Search Region [4.515917777731159]
  本稿では,LiDAR 点群における小物体追跡のためのSiamese ネットワーク方式を提案する。 提案手法は, 対象物に影響を及ぼすことなく, 目標物の追跡性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2024-01-24T08:02:44Z)
• Spatial Structure Constraints for Weakly Supervised Semantic Segmentation [100.0316479167605]
  クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。 注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い教師付きセマンティックセマンティックセグメンテーションのための空間構造制約(SSC)を提案する。 提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
  論文  参考訳（メタデータ） (2024-01-20T05:25:25Z)
• Improving the Detection of Small Oriented Objects in Aerial Images [0.0]
  本研究では,オブジェクト指向物体検出モデルの分類・回帰タスクを強化することにより,空中画像中の小型物体を高精度に検出する手法を提案する。 ガイド・アテンション・ロス(GALoss)とボックス・ポイント・ロス(BPLoss)の2つの損失からなるアテンション・ポイント・ネットワークを設計した。 実験結果から,小型オブジェクトインスタンスを用いた標準指向型空中データセットにおける注意点ネットワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-12T11:00:07Z)
• SAM-Assisted Remote Sensing Imagery Semantic Segmentation with Object and Boundary Constraints [9.238103649037951]
  本稿では,SAM生成オブジェクト(SGO)とSAM生成境界(SGB)という2つの新しい概念を活用することにより,SAMの生出力を活用するフレームワークを提案する。 本稿では,SGOのコンテンツ特性を考慮し,セマンティックな情報を持たないセグメンテーション領域を活用するために,オブジェクト整合性の概念を導入する。 境界損失は、モデルが対象の境界情報に注意を向けることによって、SGBの特徴的な特徴に重きを置いている。
  論文  参考訳（メタデータ） (2023-12-05T03:33:47Z)
• 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)
• 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)
• SupeRGB-D: Zero-shot Instance Segmentation in Cluttered Indoor Environments [67.34330257205525]
  本研究では,RGB-Dデータからゼロショットのインスタンスセグメンテーション(ZSIS)を探索し,意味的カテゴリに依存しない方法で未知のオブジェクトを識別する。 本稿では,注釈付きオブジェクトを用いて画素のオブジェクト性」を学習し,乱雑な屋内環境における未知のオブジェクトカテゴリに一般化する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T17:59:48Z)
• Self-Supervised Video Object Segmentation via Cutout Prediction and Tagging [117.73967303377381]
  本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。 本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。 提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-04-22T17:53:27Z)

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。