論文の概要: Beyond Task-Driven Features for Object Detection

• arxiv url: http://arxiv.org/abs/2604.03839v1
• Date: Sat, 04 Apr 2026 19:34:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.790795
• Title: Beyond Task-Driven Features for Object Detection
• Title（参考訳）: オブジェクト検出のためのタスク駆動機能を超えて
• Authors: Meilun Zhou, Alina Zare,
• Abstract要約: 本稿では,オブジェクト検出バックボーンに埋め込みを注入するアノテーション誘導機能拡張フレームワークを提案する。 野生生物とリモートセンシングデータセットにわたる実験は、複数の監督体制の下で分類、ローカライゼーション、データ効率を評価する。
• 参考スコア（独自算出の注目度）: 2.5700571547896103
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task-driven features learned by modern object detectors optimize end task loss yet often capture shortcut correlations that fail to reflect underlying annotation structure. Such representations limit transfer, interpretability, and robustness when task definitions change or supervision becomes sparse. This paper introduces an annotation-guided feature augmentation framework that injects embeddings into an object detection backbone. The method constructs dense spatial feature grids from annotation-guided latent spaces and fuses them with feature pyramid representations to influence region proposal and detection heads. Experiments across wildlife and remote sensing datasets evaluate classification, localization, and data efficiency under multiple supervision regimes. Results show consistent improvements in object focus, reduced background sensitivity, and stronger generalization to unseen or weakly supervised tasks. The findings demonstrate that aligning features with annotation geometry yields more meaningful representations than purely task optimized features.
• Abstract（参考訳）: 現代のオブジェクト検出器が学んだタスク駆動機能は、エンドタスクの損失を最適化するが、下層のアノテーション構造を反映しないショートカット相関をキャプチャすることが多い。 このような表現は、タスク定義の変更や監督が不十分になると、転送、解釈可能性、堅牢性を制限する。 本稿では,オブジェクト検出バックボーンに埋め込みを注入するアノテーション誘導機能拡張フレームワークを提案する。 本手法は,アノテーションで誘導された潜在空間から密集した空間的特徴グリッドを構築し,特徴ピラミッド表現を融合させて領域提案と検出ヘッドに影響を与える。 野生生物とリモートセンシングデータセットにわたる実験は、複数の監督体制の下で分類、ローカライゼーション、データ効率を評価する。 その結果、対象の焦点が一貫した改善、背景感度の低下、見えないタスクや弱いタスクへの一般化が示された。 これらの結果から,特徴と幾何学的幾何との整合性は,純粋にタスク最適化された特徴よりも有意義な表現をもたらすことが示された。

関連論文リスト

• Learning to Borrow Features for Improved Detection of Small Objects in Single-Shot Detectors [0.0]
  そこで本研究では,クラス内のより大規模で意味的にリッチなインスタンスから,小さなオブジェクト表現を識別的特徴の「バラバラ化」を可能にする新しいフレームワークを提案する。 本手法は, 複雑な視覚環境下でのロバストな物体検出に有望な方向を提供するため, ベースライン法よりも小さな物体検出精度を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-30T01:18:33Z)
• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• Decoupled DETR: Spatially Disentangling Localization and Classification for Improved End-to-End Object Detection [48.429555904690595]
  本稿では,タスク認識型問合せ生成モジュールと切り離された特徴学習プロセスを含む空間的に分離されたDETRを紹介する。 提案手法は,従来の研究に比べてMSCOCOデータセットの大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2023-10-24T15:54:11Z)
• 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)
• Domain Adaptive Segmentation of Electron Microscopy with Sparse Point Annotations [2.5137859989323537]
  競争性能に優れたアノテーション効率のアプローチを開発する。 弱教師付きドメイン適応(WDA)に極端にスパースで弱いアノテーションのタイプで焦点を当てる。 15%のポイントアノテーションしか持たないモデルでは、教師付きモデルと同等のパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2022-10-24T10:50:37Z)
• Rethinking the Aligned and Misaligned Features in One-stage Object Detection [9.270523894683278]
  1段階の物体検出器は、検出結果を予測するために点特徴に依存する。 タスク毎に整列および非整合性を生成できるシンプルでプラグイン演算子を提案する。 OAT(object-aligned and task-disentangled operator)に基づくOAT-Netを提案する。
  論文  参考訳（メタデータ） (2021-08-27T08:40:37Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
  本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。 そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。 我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
  論文  参考訳（メタデータ） (2020-03-17T12:59:50Z)

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。