論文の概要: Domain Adaptive Object Detection for Space Applications with Real-Time Constraints

• arxiv url: http://arxiv.org/abs/2509.17593v1
• Date: Mon, 22 Sep 2025 11:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.334145
• Title: Domain Adaptive Object Detection for Space Applications with Real-Time Constraints
• Title（参考訳）: 実時間制約付き宇宙アプリケーションのためのドメイン適応オブジェクト検出
• Authors: Samet Hicsonmez, Abd El Rahman Shabayek, Arunkumar Rathinam, Djamila Aouada,
• Abstract要約: 宇宙アプリケーションにおけるオブジェクト検出のための現在のディープラーニングモデルは、しばしばシミュレータからの合成データに基づいて訓練される。 ドメイン適応の重要性を示し、そのギャップを減らすためにスーパービジョンドドメイン適応を探索する。 結果は、250個のラベル付き実画像で平均精度(AP)を最大20ポイント改善する。
• 参考スコア（独自算出の注目度）: 15.646223622227424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection is essential in space applications targeting Space Domain Awareness and also applications involving relative navigation scenarios. Current deep learning models for Object Detection in space applications are often trained on synthetic data from simulators, however, the model performance drops significantly on real-world data due to the domain gap. However, domain adaptive object detection is an overlooked problem in the community. In this work, we first show the importance of domain adaptation and then explore Supervised Domain Adaptation (SDA) to reduce this gap using minimal labeled real data. We build on a recent semi-supervised adaptation method and tailor it for object detection. Our approach combines domain-invariant feature learning with a CNN-based domain discriminator and invariant risk minimization using a domain-independent regression head. To meet real-time deployment needs, we test our method on a lightweight Single Shot Multibox Detector (SSD) with MobileNet backbone and on the more advanced Fully Convolutional One-Stage object detector (FCOS) with ResNet-50 backbone. We evaluated on two space datasets, SPEED+ and SPARK. The results show up to 20-point improvements in average precision (AP) with just 250 labeled real images.
• Abstract（参考訳）: オブジェクト検出は、スペースドメイン認識をターゲットとする宇宙アプリケーションや、相対的なナビゲーションシナリオを含むアプリケーションに不可欠である。 宇宙アプリケーションにおけるオブジェクト検出のための現在のディープラーニングモデルは、しばしばシミュレータからの合成データに基づいて訓練されるが、モデルの性能はドメインギャップによって現実世界のデータに著しく低下する。 しかし、ドメイン適応オブジェクト検出はコミュニティで見過ごされている問題である。 本稿では、まずドメイン適応の重要性を示し、次に最小限のラベル付き実データを用いて、このギャップを減らすためにSDA(Supervised Domain Adaptation)を探索する。 我々は、最近の半教師付き適応法に基づいて、オブジェクト検出のための調整を行う。 提案手法は,CNNに基づくドメイン識別器と,ドメイン非依存回帰ヘッドを用いた不変リスク最小化を併用する。 リアルタイムデプロイメントのニーズを満たすため,MobileNetのバックボーンを用いた軽量シングルショットマルチボックス検出器(SSD)と,ResNet-50のバックボーンを用いたより高度なFCOS(Fully Convolutional One-Stage Object Detector)を試験した。 SPEED+とSPARKの2つの空間データセットについて検討した。 その結果、平均精度(AP)は最大で20ポイント改善され、ラベル付き実画像は250枚にのぼる。

関連論文リスト

• Bridging the Synthetic-Real Gap: Supervised Domain Adaptation for Robust Spacecraft 6-DoF Pose Estimation [13.83897333268682]
  宇宙船のポース推定は、ランデブー、ドッキング、軌道上のドッキングのような自律的な宇宙活動の基本的な能力である。 既存のドメイン適応アプローチは、この問題を軽減することを目的としているが、ラベル付きターゲットサンプルの少ない数が利用できる場合、しばしば性能が低下する。 本稿では,SPEキーポイント回帰に適したSDA(Supervised Domain Adaptation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-17T08:03:05Z)
• How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
  宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。 本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T08:24:46Z)
• Exploring Few-Shot Adaptation for Activity Recognition on Diverse Domains [46.26074225989355]
  ドメイン適応は、さまざまな環境における正確で堅牢なパフォーマンスを保証するために、アクティビティ認識に不可欠である。 本研究では,FewShot Domain Adaptation for Activity Recognition (FSDA-AR) に焦点をあてる。 より多様で困難な領域への適応を考慮した5つの確立されたデータセットを用いた新しいFSDA-ARを提案する。
  論文  参考訳（メタデータ） (2023-05-15T08:01:05Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Cross-Modality Domain Adaptation for Freespace Detection: A Simple yet Effective Baseline [21.197212665408262]
  フリースペース検出は、カメラが捉えた画像の各ピクセルを、ドライビング可能または非駆動可能と分類することを目的としている。 我々はRGB画像と深度画像から生成された表面正規写像の両方を利用するクロスモダリティ領域適応フレームワークを開発した。 ソースドメイン(合成データ)とターゲットドメイン(実世界のデータ)のドメインギャップを埋めるため、選択的特徴アライメント(SFA)モジュールも提案する。
  論文  参考訳（メタデータ） (2022-10-06T15:31:49Z)
• An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
  本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。 天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
  論文  参考訳（メタデータ） (2022-03-07T18:10:40Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。