論文の概要: Object Detection Based on Distributed Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2603.28050v1
• Date: Mon, 30 Mar 2026 05:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.242402
• Title: Object Detection Based on Distributed Convolutional Neural Networks
• Title（参考訳）: 分散畳み込みニューラルネットワークを用いた物体検出
• Authors: Liang Sun,
• Abstract要約: 分散畳み込みニューラルネットワーク (DisCNN) を用いて, 簡単な物体検出法を提案する。 特定の正のクラスに対するDisCNNの出力ベクトルの加群は、正の特徴の存在確率と正の単調である。
• 参考スコア（独自算出の注目度）: 5.912314032588749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Based on the Distributed Convolutional Neural Network(DisCNN), a straightforward object detection method is proposed. The modules of the output vector of a DisCNN with respect to a specific positive class are positively monotonic with the presence probabilities of the positive features. So, by identifying all high-scoring patches across all possible scales, the positive object can be detected by overlapping them to form a bounding box. The essential idea is that the object is detected by detecting its features on multiple scales, ranging from specific sub-features to abstract features composed of these sub-features. Training DisCNN requires only object-centered image data with positive and negative class labels. The detection process for multiple positive classes can be conducted in parallel to significantly accelerate it, and also faster for single-object detection because of its lightweight model architecture.
• Abstract（参考訳）: 分散畳み込みニューラルネットワーク (DisCNN) を用いて, 簡単な物体検出法を提案する。 特定の正のクラスに対するDisCNNの出力ベクトルの加群は、正の特徴の存在確率と正の単調である。 したがって、すべての可能なスケールにわたる高次のパッチを識別することにより、正のオブジェクトが重なり合ってバウンディングボックスを形成することで検出できる。 このオブジェクトは、特定のサブ機能からこれらのサブ機能からなる抽象的な機能まで、複数のスケールでその特徴を検出することによって検出される。 DisCNNのトレーニングには、正と負のクラスラベルを持つオブジェクト中心の画像データのみが必要である。 複数の正のクラスに対する検出プロセスは並列に行うことができ、それを大幅に加速させることができる。

関連論文リスト

• Distributed Convolutional Neural Networks for Object Recognition [5.912314032588749]
  本稿では,分散畳み込みニューラルネットワーク(DisCNN)を学習し,特定の正のクラスのみを認識する新たな損失関数を提案する。 正のサンプルを高次元空間のコンパクトな集合と負のサンプルをオリジンにマッピングすることにより、DisCNNは正のクラスの特徴のみを抽出する。
  論文  参考訳（メタデータ） (2026-03-10T05:40:45Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• 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)
• LO-Det: Lightweight Oriented Object Detection in Remote Sensing Images [11.41884406231953]
  本稿では,有効軽量指向型物体検出器(LO-Det)を提案する。 特に、チャネル分離集約(CSA)構造は、積み重ねられた分離可能な畳み込みの複雑さを単純化するために設計されている。 提案するLO-Detは、オブジェクト指向物体を検出するための競合精度で、組み込みデバイスでも非常に高速に動作可能である。
  論文  参考訳（メタデータ） (2022-09-16T04:28:01Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Dynamic Refinement Network for Oriented and Densely Packed Object Detection [75.29088991850958]
  本稿では,機能選択モジュール (FSM) と動的改善ヘッド (DRH) の2つの新しいコンポーネントからなる動的精細化ネットワークを提案する。 我々のFSMは、ニューロンがターゲットオブジェクトの形状や向きに応じて受容野を調整できるのに対して、DRHはオブジェクト認識の方法で動的に予測を洗練させる。 我々は、DOTA、HRSC2016、SKU110K、および我々のSKU110K-Rデータセットを含むいくつかの公開ベンチマークで定量的評価を行う。
  論文  参考訳（メタデータ） (2020-05-20T11:35:50Z)
• OS2D: One-Stage One-Shot Object Detection by Matching Anchor Features [14.115782214599015]
  ワンショットオブジェクト検出は、単一のデモによって定義されたオブジェクトを検出することで構成される。 ローカライズと認識を共同で行うワンステージシステムを構築している。 いくつかの挑戦的領域に対する実験的評価は,本手法が未知のクラスを検出できることを示唆している。
  論文  参考訳（メタデータ） (2020-03-15T11:39:47Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。