論文の概要: LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection

• arxiv url: http://arxiv.org/abs/2509.16970v1
• Date: Sun, 21 Sep 2025 08:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.059315
• Title: LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection
• Title（参考訳）: 軽度アノテーション付きリモートセンシングオブジェクト検出のためのLCM支援セマンティックガイダンス
• Authors: Wei Liao, Chunyan Xu, Chenxu Wang, Zhen Cui,
• Abstract要約: リモートセンシングオブジェクト検出のためのLLM支援セマンティックガイダンスフレームワーク Dense Pseudo-Label Assignmentメカニズムは、ラベルなしデータと疎ラベル付きデータの両方に擬似ラベルを適応的に割り当てる。 Adaptive Hard-Negative Reweighting Module による教師付き学習領域の安定化
• 参考スコア（独自算出の注目度）: 25.9348571356454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse annotation in remote sensing object detection poses significant challenges due to dense object distributions and category imbalances. Although existing Dense Pseudo-Label methods have demonstrated substantial potential in pseudo-labeling tasks, they remain constrained by selection ambiguities and inconsistencies in confidence estimation.In this paper, we introduce an LLM-assisted semantic guidance framework tailored for sparsely annotated remote sensing object detection, exploiting the advanced semantic reasoning capabilities of large language models (LLMs) to distill high-confidence pseudo-labels.By integrating LLM-generated semantic priors, we propose a Class-Aware Dense Pseudo-Label Assignment mechanism that adaptively assigns pseudo-labels for both unlabeled and sparsely labeled data, ensuring robust supervision across varying data distributions. Additionally, we develop an Adaptive Hard-Negative Reweighting Module to stabilize the supervised learning branch by mitigating the influence of confounding background information. Extensive experiments on DOTA and HRSC2016 demonstrate that the proposed method outperforms existing single-stage detector-based frameworks, significantly improving detection performance under sparse annotations.
• Abstract（参考訳）: リモートセンシングオブジェクト検出におけるスパースアノテーションは、密集したオブジェクト分布とカテゴリの不均衡によって大きな課題を生じさせる。 従来のDense Pseudo-Label法は擬似ラベル処理において有意な可能性を秘めているが,信頼性評価における曖昧さや不整合性によって制約されている。本稿では,LLM支援型セマンティックガイダンスフレームワークを導入し,多言語モデル(LLM)の高度なセマンティック推論機能を活用して,LLM生成セマンティックプレフィックスを統合することで,未ラベルデータとスパースラベルデータの両方に対して,擬似ラベルを適応的にアサインするクラスアウェアDense Pseudo-Labelアサインメント機構を提案する。 さらに,背景情報の影響を緩和し,教師付き学習領域を安定化させる適応型ハード-Negative Reweighting Moduleを開発した。 DOTAとHRSC2016の大規模な実験により、提案手法は既存の単一ステージ検出器ベースのフレームワークよりも優れており、スパースアノテーションによる検出性能が著しく向上していることが示された。

関連論文リスト

• Beyond Fully Supervised Pixel Annotations: Scribble-Driven Weakly-Supervised Framework for Image Manipulation Localization [11.10178274806454]
  アノテーションの効率と検出性能を向上させる弱監督方式を提案する。 我々は、スクリブルラベルでメインストリームのMLデータセットを再注釈し、最初のスクリブルベースのMLデータセットを提案する。 モデルが一貫した予測を生成することを奨励するために,構造的整合性を損なう自己教師型トレーニングを採用する。
  論文  参考訳（メタデータ） (2025-07-17T11:45:27Z)
• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Credible Teacher for Semi-Supervised Object Detection in Open Scene [106.25850299007674]
  Open Scene Semi-Supervised Object Detection (O-SSOD)では、ラベル付きデータはラベル付きデータで観測されていない未知のオブジェクトを含む可能性がある。 より不確実性が、偽ラベルのローカライズと分類精度の低下につながるため、主に自己学習に依存する現在の手法には有害である。 我々は,不確実な擬似ラベルがモデルに誤解をもたらすのを防ぐための,エンドツーエンドのフレームワークであるCredible Teacherを提案する。
  論文  参考訳（メタデータ） (2024-01-01T08:19:21Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Towards End-to-End Unsupervised Saliency Detection with Self-Supervised Top-Down Context [25.85453873366275]
  トップダウンコンテキストを介し、自己教師付きエンドツーエンドの有能なオブジェクト検出フレームワークを提案する。 最も深い特徴から自己ローカライゼーションを生かして位置マップを構築し,最も指導的なセグメンテーション指導を学習する。 提案手法は,近年のエンド・ツー・エンド手法と,多段階ソリューションの大部分において,先行的な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-14T08:43:22Z)
• Open-Set Semi-Supervised Object Detection [43.464223594166654]
  近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。 我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。 提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-08-29T17:04:30Z)

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。