論文の概要: High-Resolution Range Profile Classifiers Require Aspect-Angle Awareness

• arxiv url: http://arxiv.org/abs/2603.00087v1
• Date: Mon, 16 Feb 2026 14:21:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.041054
• Title: High-Resolution Range Profile Classifiers Require Aspect-Angle Awareness
• Title（参考訳）: アスペクトアングル認識を必要とする高分解能レンジプロファイル分類器
• Authors: Edwyn Brient, Santiago Velasco-Forero, Rami Kassab,
• Abstract要約: アスペクトアングル条件付HRRP(High-Resolution Range Profile)分類を再検討する。 一つの特徴と逐次分類器がアスペクトアングル認識から一貫した利益を得られることを示す。
• 参考スコア（独自算出の注目度）: 0.8857443660746979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We revisit High-Resolution Range Profile (HRRP) classification with aspect-angle conditioning. While prior work often assumes that aspect-angle information is incomplete during training or unavailable at inference, we study a setting where angles are available for all training samples and explicitly provided to the classifier. Using three datasets and a broad range of conditioning strategies and model architectures, we show that both single-profile and sequential classifiers benefit consistently from aspect-angle awareness, with an average accuracy gain of about 7% and improvements of up to 10%, depending on the model and dataset. In practice, aspect angles are not directly measured and must be estimated. We show that a causal Kalman filter can estimate them online with a median error of 5{\textdegree}, and that training and inference with estimated angles preserves most of the gains, supporting the proposed approach in realistic conditions.
• Abstract（参考訳）: アスペクトアングル条件付HRRP(High-Resolution Range Profile)分類を再検討する。 事前の作業では、トレーニング中にアスペクト角情報が不完全あるいは推論時に利用できないと仮定されることが多いが、すべてのトレーニングサンプルに対して角度が利用可能であり、分類器に明示的に提供される設定について検討する。 3つのデータセットと幅広い条件付け戦略とモデルアーキテクチャを用いて、単項とシーケンシャルの分類器は、アスペクトアングルの認識から一貫した恩恵を受け、平均精度は7%向上し、モデルとデータセットによって最大10%向上することを示した。 実際には、アスペクト角は直接測定されておらず、推定されなければならない。 因果カルマンフィルタがオンライン上で5{\textdegree} の中央値誤差で推定できることを示し、推定角度によるトレーニングと推測がほとんどの利得を保存し、提案手法を現実的条件下で支持することを示した。

関連論文リスト

• Visual Autoregressive Modelling for Monocular Depth Estimation [69.01449528371916]
  本稿では,視覚的自己回帰(VAR)に基づく単眼深度推定手法を提案する。 提案手法は,大規模テキスト・画像VARモデルに適応し,スケールワイド・コンディショナル・アップサンプリング機構を導入する。 本研究では,屋内ベンチマークにおける制約付きトレーニング条件下での最先端性能と,屋外データセットに適用した場合の強い性能について報告する。
  論文  参考訳（メタデータ） (2025-12-27T17:08:03Z)
• Bias-Aware Machine Unlearning: Towards Fairer Vision Models via Controllable Forgetting [3.1959623025848405]
  ディープニューラルネットワークはトレーニングデータに急激な相関関係に依存することが多く、医療や自動運転といった安全クリティカルな領域ではバイアスや不公平な予測が生じる。 機械学習の最近の進歩は、ポストホックモデルの修正に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-09-09T07:25:51Z)
• Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Latent Enhancing AutoEncoder for Occluded Image Classification [2.6217304977339473]
  LEARN: Latent Enhancing feature Reconstruction Networkを紹介する。 オートエンコーダベースのネットワークで、頭の前に分類モデルに組み込むことができる。 OccludedPASCAL3D+データセットでは、提案されたLEARNが標準分類モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-10T12:22:31Z)
• Semi-Supervised Crowd Counting with Contextual Modeling: Facilitating Holistic Understanding of Crowd Scenes [19.987151025364067]
  本稿では,信頼度の高い群集カウントモデルをトレーニングするための,新しい半教師付き手法を提案する。 モデルの本質的な'サブタイズ'能力を育み、領域の数を正確に見積もることができる。 提案手法は,従来の手法を,挑戦的ベンチマークにおいて大きな差で上回り,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-10-16T12:42:43Z)
• Leveraging Angular Information Between Feature and Classifier for Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
  分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。 予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。 CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
  論文  参考訳（メタデータ） (2022-12-03T07:52:48Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)

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。