論文の概要: SPWOOD: Sparse Partial Weakly-Supervised Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2602.03634v1
• Date: Tue, 03 Feb 2026 15:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.537908
• Title: SPWOOD: Sparse Partial Weakly-Supervised Oriented Object Detection
• Title（参考訳）: SPWOOD: Sparse partial Weakly Supervised Oriented Object Detection
• Authors: Wei Zhang, Xiang Liu, Ningjing Liu, Mingxin Liu, Wei Liao, Chunyan Xu, Xue Yang,
• Abstract要約: オブジェクト指向オブジェクト検出の研究を通して一貫した傾向は、より少ないアノテーションと弱いアノテーションで同等のパフォーマンスを維持することの追求であった。 これは特にリモートセンシング領域において重要であり、高密度物体分布と多種多様なカテゴリーが極めて高いコストに寄与する。 Sparse partial Weakly-Supervised Oriented Object Detection フレームワークを導入しました。
• 参考スコア（独自算出の注目度）: 19.35154888756369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A consistent trend throughout the research of oriented object detection has been the pursuit of maintaining comparable performance with fewer and weaker annotations. This is particularly crucial in the remote sensing domain, where the dense object distribution and a wide variety of categories contribute to prohibitively high costs. Based on the supervision level, existing oriented object detection algorithms can be broadly grouped into fully supervised, semi-supervised, and weakly supervised methods. Within the scope of this work, we further categorize them to include sparsely supervised and partially weakly-supervised methods. To address the challenges of large-scale labeling, we introduce the first Sparse Partial Weakly-Supervised Oriented Object Detection framework, designed to efficiently leverage only a few sparse weakly-labeled data and plenty of unlabeled data. Our framework incorporates three key innovations: (1) We design a Sparse-annotation-Orientation-and-Scale-aware Student (SOS-Student) model to separate unlabeled objects from the background in a sparsely-labeled setting, and learn orientation and scale information from orientation-agnostic or scale-agnostic weak annotations. (2) We construct a novel Multi-level Pseudo-label Filtering strategy that leverages the distribution of model predictions, which is informed by the model's multi-layer predictions. (3) We propose a unique sparse partitioning approach, ensuring equal treatment for each category. Extensive experiments on the DOTA and DIOR datasets show that our framework achieves a significant performance gain over traditional oriented object detection methods mentioned above, offering a highly cost-effective solution. Our code is publicly available at https://github.com/VisionXLab/SPWOOD.
• Abstract（参考訳）: オブジェクト指向オブジェクト検出の研究を通して一貫した傾向は、より少ないアノテーションと弱いアノテーションで同等のパフォーマンスを維持することの追求であった。 これは特にリモートセンシング領域において重要であり、高密度物体分布と多種多様なカテゴリーが極めて高いコストに寄与する。 監視レベルに基づいて、既存のオブジェクト指向オブジェクト検出アルゴリズムは、完全に教師付き、半教師付き、弱教師付きにグループ化することができる。 本研究の範囲内では、より緩やかに管理され、部分的には弱く管理された手法を含むように分類する。 大規模ラベリングの課題に対処するため,少数の弱いラベル付きデータと多くの未ラベルデータのみを効率的に活用するために設計された,Sparse partial Weakly-Supervised Object Detectionフレームワークを紹介した。 本フレームワークは,(1)スパースアノテーション・オリエンテーション・アンド・スケールアウェアの学生(SOS-Student)モデルを設計し,未ラベルのオブジェクトを背景から疎ラベルで分離し,オリエンテーション・アジェンス・アジェンスやスケール・アジェンス・アジェンス・アジェンス・アジェンス・アンド・スケール・アウェアの弱いアノテーションからオリエンテーション・アンド・スケールの情報を学習する。 2) モデルの多層予測から得られるモデル予測の分布を利用した,新しい多層擬似ラベルフィルタリング手法を構築した。 (3)一意なスパースパーティショニング手法を提案し,各カテゴリの平等な処理を確実にする。 DOTAおよびDIORデータセットに関する大規模な実験により、上記の従来のオブジェクト指向オブジェクト検出手法に比べて、我々のフレームワークは大幅なパフォーマンス向上を実現し、高いコスト効率のソリューションを提供することが示された。 私たちのコードはhttps://github.com/VisionXLab/SPWOOD.comで公開されています。

関連論文リスト

• Partial Weakly-Supervised Oriented Object Detection [18.678764412900037]
  データセットアノテーションの高コストは、依然として大きな関心事である。 部分弱アノテーションに基づくPWOOD(Partial Weakly-Supervised Oriented Object Detection)フレームワーク。
  論文  参考訳（メタデータ） (2025-07-03T16:13:10Z)
• Weakly Supervised Open-Vocabulary Object Detection [31.605276665964787]
  本稿では、従来のWSODを拡張するために、弱教師付きオープン語彙オブジェクト検出フレームワーク、すなわちWSOVODを提案する。 これを実現するために、データセットレベルの特徴適応、画像レベルの有意なオブジェクトローカライゼーション、地域レベルの視覚言語アライメントを含む3つの重要な戦略を検討する。
  論文  参考訳（メタデータ） (2023-12-19T18:59:53Z)
• 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)
• Learning to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
  本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。 この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
  論文  参考訳（メタデータ） (2021-08-15T14:36:02Z)
• WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
  弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。 エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。 提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
  論文  参考訳（メタデータ） (2021-05-21T11:58:50Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)
• UniT: Unified Knowledge Transfer for Any-shot Object Detection and Segmentation [52.487469544343305]
  オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。 本稿では,直感的かつ統一的な半教師付きモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-12T22:45:47Z)

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。