論文の概要: Small Object Detection for Birds with Swin Transformer

• arxiv url: http://arxiv.org/abs/2511.22310v1
• Date: Thu, 27 Nov 2025 10:42:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.514073
• Title: Small Object Detection for Birds with Swin Transformer
• Title（参考訳）: スイニングトランスを用いた鳥の小型物体検出
• Authors: Da Huo, Marc A. Kastner, Tingwei Liu, Yasutomo Kawanishi, Takatsugu Hirayama, Takahiro Komamizu, Ichiro Ide,
• Abstract要約: そこで本研究では,小対象の特定のカテゴリー,鳥類を識別する専門的な方法を提案する。 我々はSwin Transformerを使って画像の特徴をアップサンプルし、小さなオブジェクトに適応するためにウィンドウサイズをシフトします。 実験により、提案したSwin TransformerベースのネックとCenterNetを組み合わせることで、ウィンドウサイズを変更することで、優れたパフォーマンスが得られることが示された。
• 参考スコア（独自算出の注目度）: 10.40030551931284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection is the task of detecting objects in an image. In this task, the detection of small objects is particularly difficult. Other than the small size, it is also accompanied by difficulties due to blur, occlusion, and so on. Current small object detection methods are tailored to small and dense situations, such as pedestrians in a crowd or far objects in remote sensing scenarios. However, when the target object is small and sparse, there is a lack of objects available for training, making it more difficult to learn effective features. In this paper, we propose a specialized method for detecting a specific category of small objects; birds. Particularly, we improve the features learned by the neck; the sub-network between the backbone and the prediction head, to learn more effective features with a hierarchical design. We employ Swin Transformer to upsample the image features. Moreover, we change the shifted window size for adapting to small objects. Experiments show that the proposed Swin Transformer-based neck combined with CenterNet can lead to good performance by changing the window sizes. We further find that smaller window sizes (default 2) benefit mAPs for small object detection.
• Abstract（参考訳）: オブジェクト検出は、画像内のオブジェクトを検出するタスクである。 このタスクでは,小物体の検出が特に困難である。 小型の他、ぼやけや閉塞などによる難易度も伴う。 現在の小さな物体検出方法は、群衆の歩行者やリモートセンシングのシナリオにおける遠方物体など、小さくて密集した状況に合わせて調整されている。 しかし、対象のオブジェクトが小さくてスパースな場合、トレーニングに利用可能なオブジェクトが不足しているため、効果的な機能を学ぶのが難しくなる。 本稿では,小物,鳥の特定カテゴリーを検出するための専門的な手法を提案する。 特に,頚部から学習した特徴,背骨と予測頭部のサブネットワークを改良し,階層的設計でより効果的な特徴を学習する。 画像機能のアップサンプリングにはSwin Transformerを使用します。 さらに、小さなオブジェクトに適応するために、シフトしたウィンドウサイズを変更します。 実験により、提案したSwin TransformerベースのネックとCenterNetを組み合わせることで、ウィンドウサイズを変更することで、優れたパフォーマンスが得られることが示された。 さらに、小さなウィンドウサイズ(デフォルト2)が、小さなオブジェクト検出のmAPにメリットがあることがわかりました。

関連論文リスト

• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• 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)
• On the Importance of Large Objects in CNN Based Object Detection Algorithms [0.0]
  すべてのサイズで重要な学習機能において、大きなオブジェクトの重要性を強調します。 大きな物体により多くの重みを与えると、全ての物体の大きさに対する検出スコアが向上することを示す。
  論文  参考訳（メタデータ） (2023-11-20T12:32:32Z)
• Decoupled Adaptation for Cross-Domain Object Detection [69.5852335091519]
  クロスドメインオブジェクト検出は、オブジェクト分類よりも難しい。 D-adaptは4つのクロスドメインオブジェクト検出タスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-10-06T08:43:59Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• A Simple and Effective Use of Object-Centric Images for Long-Tailed Object Detection [56.82077636126353]
  シーン中心画像における物体検出を改善するために,物体中心画像を活用する。 私たちは、シンプルで驚くほど効果的なフレームワークを提示します。 我々の手法は、レアオブジェクトのオブジェクト検出(およびインスタンスセグメンテーション)の精度を相対的に50%(および33%)向上させることができる。
  論文  参考訳（メタデータ） (2021-02-17T17:27:21Z)

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。