論文の概要: FGAA-FPN: Foreground-Guided Angle-Aware Feature Pyramid Network for Oriented Object Detection

• arxiv url: http://arxiv.org/abs/2602.10710v1
• Date: Wed, 11 Feb 2026 10:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.741431
• Title: FGAA-FPN: Foreground-Guided Angle-Aware Feature Pyramid Network for Oriented Object Detection
• Title（参考訳）: FGAA-FPN:オブジェクト指向物体検出のための前景誘導角度対応特徴ピラミッドネットワーク
• Authors: Jialin Ma,
• Abstract要約: オブジェクト指向物体検出のためのフォアグラウンドガイドアングル対応特徴ピラミッドネットワークを提案する。 FGAA-FPNは階層的な関数分解に基づいて構築されており、ピラミッドのレベルで異なる空間分解と意味的抽象化を考慮に入れている。 DOTA v1.0とDOTA v1.5の実験では、FGAA-FPNは、それぞれ75.5%と68.3%のmAPに達した。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing availability of high-resolution remote sensing and aerial imagery, oriented object detection has become a key capability for geographic information updating, maritime surveillance, and disaster response. However, it remains challenging due to cluttered backgrounds, severe scale variation, and large orientation changes. Existing approaches largely improve performance through multi-scale feature fusion with feature pyramid networks or contextual modeling with attention, but they often lack explicit foreground modeling and do not leverage geometric orientation priors, which limits feature discriminability. To overcome these limitations, we propose FGAA-FPN, a Foreground-Guided Angle-Aware Feature Pyramid Network for oriented object detection. FGAA-FPN is built on a hierarchical functional decomposition that accounts for the distinct spatial resolution and semantic abstraction across pyramid levels, thereby strengthening multi-scale representations. Concretely, a Foreground-Guided Feature Modulation module learns foreground saliency under weak supervision to enhance object regions and suppress background interference in low-level features. In parallel, an Angle-Aware Multi-Head Attention module encodes relative orientation relationships to guide global interactions among high-level semantic features. Extensive experiments on DOTA v1.0 and DOTA v1.5 demonstrate that FGAA-FPN achieves state-of-the-art results, reaching 75.5% and 68.3% mAP, respectively.
• Abstract（参考訳）: 高解像度リモートセンシングと空中画像の可用性の向上により、指向性物体検出は地理的情報更新、海上監視、災害対応の重要な機能となっている。 しかし、乱雑な背景、厳密なスケールの変動、大きな方向の変化などにより、依然として困難である。 既存のアプローチは、特徴ピラミッドネットワークとのマルチスケール機能融合や注意を伴うコンテキストモデリングを通じて、パフォーマンスを大幅に改善するが、明示的なフォアグラウンドモデリングが欠如し、特徴の識別性を制限した幾何配向事前を活用できないことが多い。 これらの制約を克服するために、オブジェクト指向物体検出のためのFGAA-FPN(フォアグラウンドガイドアングル対応特徴ピラミッドネットワーク)を提案する。 FGAA-FPNは階層的な関数分解に基づいて構築され、ピラミッドのレベルで異なる空間分解と意味的抽象化を考慮し、マルチスケールの表現を強化する。 具体的には、フォアグラウンド誘導特徴変調モジュールは、弱監督下でフォアグラウンドサリエンシを学習し、オブジェクト領域を強化し、低レベルの特徴の背景干渉を抑制する。 並行して、アングル・アウェア・マルチヘッド・アテンション・モジュールは、高レベルの意味的特徴間のグローバルな相互作用を導くために相対的指向関係を符号化する。 DOTA v1.0とDOTA v1.5の大規模な実験は、FGAA-FPNがそれぞれ75.5%、68.3%mAPに達することを証明している。

関連論文リスト

• Pyramidal Adaptive Cross-Gating for Multimodal Detection [0.0]
  PACGNetは、バックボーン内で深い融合を実行するように設計されたアーキテクチャである。 Pモジュールは、プログレッシブ階層的ゲーティング機構を通じて特徴階層を再構築する。 私たちのPACGNetは、mAP50スコアがそれぞれ81.7%と82.1%という、最先端のベンチマークを新たに設定しています。
  論文  参考訳（メタデータ） (2025-12-20T09:32:18Z)
• FMC-DETR: Frequency-Decoupled Multi-Domain Coordination for Aerial-View Object Detection [18.023418423273082]
  本研究では,FMC-DETRを提案する。FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR,FMC-DETR。 まず、大域的低周波文脈知覚を高めるために、カスケードウェーブレット変換を適用したWavelet Kolmogorov-Arnold Transformer (WeKat) のバックボーンを導入する。 次に、軽量なクロスステージ部分核融合(CPF)モジュールは冗長性を低減し、マルチスケールの機能相互作用を改善する。 最後に,Multi-Domain Feature Coordination (MDFC)モジュールについて述べる。
  論文  参考訳（メタデータ） (2025-09-27T02:28:22Z)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• MHAF-YOLO: Multi-Branch Heterogeneous Auxiliary Fusion YOLO for accurate object detection [3.87627600245713]
  MHAF-YOLOは,Multi-Branch Auxiliary FPN(MAFPN)と呼ばれる多機能ネックデザインを特徴とする新しい検出フレームワークである。 SAFは背骨と首を浅い特徴を融合させて橋渡しし、重要な低レベル空間情報を高い忠実度で効果的に転送する。 AAFは、より深いネック層におけるマルチスケールの特徴情報を統合し、出力層によりリッチな勾配情報を提供し、さらにモデル学習能力を高める。 RepHMSはグローバルにネットワークに統合されており、GHFKSを利用して様々な特徴層に対して大きな畳み込みカーネルを選択し、垂直受容領域を拡張し、空間階層にわたってコンテキスト情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-02-07T04:49:42Z)
• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• Pyramid Feature Attention Network for Monocular Depth Prediction [8.615717738037823]
  本稿では,高レベルな文脈特徴と低レベルな空間特徴を改善するために,ピラミッド特徴注意ネットワーク(PFANet)を提案する。 提案手法は,KITTIデータセット上での最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-03-03T08:33:23Z)
• Centralized Feature Pyramid for Object Detection [53.501796194901964]
  視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。 本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
  論文  参考訳（メタデータ） (2022-10-05T08:32:54Z)
• Dense Attention Fluid Network for Salient Object Detection in Optical Remote Sensing Images [193.77450545067967]
  光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。 GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。 我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-11-26T06:14:10Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。