論文の概要: LoHGNet: Infrared Small Target Detection through Lorentz Geometric Encoding with High-Order Relation Learning

• arxiv url: http://arxiv.org/abs/2605.07213v1
• Date: Fri, 08 May 2026 04:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.791131
• Title: LoHGNet: Infrared Small Target Detection through Lorentz Geometric Encoding with High-Order Relation Learning
• Title（参考訳）: LoHGNet:高次関係学習を用いたローレンツ幾何符号化による赤外小ターゲット検出
• Abstract要約: 赤外線小目標検出 (IRSTD) は, 有用な目標手がかりの不足と, 重度のバックグラウンド・クラッタの存在が原因で, 依然として困難である。 我々は、ローレンツ幾何符号化と高次関係学習を統合したIRSTDネットワークであるLoHGNetを提案する。 LoHGNetは、複雑なシーンに対する検出精度と適応性の両方において競合性能を達成する。
• 参考スコア（独自算出の注目度）: 5.8850022501780686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target detection (IRSTD) remains challenging due to the scarcity of useful target cues and the presence of severe background clutter. Most current methods rely on conventional feature learning and local interaction modeling, where features are represented in Euclidean space. However, such designs may still be limited in describing the subtle differences of weak targets and the contextual relations between targets and backgrounds. To address these limitations, we propose LoHGNet, an IRSTD network that integrates Lorentz geometric encoding with high-order relation learning. By introducing Lorentz manifold based feature learning, LoHGNet offers a different feature representation from conventional IRSTD methods and provides new discriminative cues for IRSTD. Specifically, a Lorentz encoding branch is constructed with the Geometric Attention Guided Lorentz Residual Convolution Module (GA-LRCM) to perform feature modeling under hyperbolic geometric constraints and enhance the hierarchical geometric representation capability of weak targets. Subsequently, the hyperbolic features are mapped into the Euclidean tangent space through logarithmic mapping, and a High-Order Relation Learning Module (HORL) is designed to model the high-order contextual dependencies between targets and backgrounds via hypergraph construction, thereby improving target discrimination in complex backgrounds. Experimental results on three datasets demonstrate that the proposed LoHGNet achieves competitive performance in both detection accuracy and adaptability to complex scenes. The code will be available at https://github.com/Kingwin97.
• Abstract（参考訳）: 赤外線小目標検出 (IRSTD) は, 有用な目標手がかりの不足と, 重度のバックグラウンド・クラッタの存在が原因で, 依然として困難である。 現在のほとんどの手法は、ユークリッド空間で特徴が表現される従来の特徴学習と局所的相互作用モデリングに依存している。 しかし、そのような設計は、弱いターゲットの微妙な違いと、ターゲットと背景の間の文脈的関係を記述することにはまだ制限があるかもしれない。 これらの制約に対処するため、ロレンツ幾何符号化と高次関係学習を統合したIRSTDネットワークであるLoHGNetを提案する。 ローレンツ多様体に基づく特徴学習を導入することで、LoHGNetは従来のIRSTD法とは異なる特徴表現を提供し、IRSTDの新しい差別的手がかりを提供する。 特に、ローレンツ符号化分岐は、幾何学的注意法(Geometric Attentioned Lorentz Residual Convolution Module, GA-LRCM)を用いて構築され、双曲的幾何学的制約の下で特徴モデリングを行い、弱いターゲットの階層的幾何学的表現能力を高める。 その後、双曲的特徴は対数マッピングによりユークリッド接空間にマッピングされ、高次関係学習モジュール(HORL)は、ハイパーグラフ構造により、ターゲットと背景の間の高次コンテキスト依存をモデル化し、複雑な背景におけるターゲット識別を改善する。 3つのデータセットに対する実験結果から,提案したLoHGNetは,複雑なシーンに対する検出精度と適応性の両方において,競合性能を達成できることが示された。 コードはhttps://github.com/Kingwin97.comで入手できる。

関連論文リスト

• PICANet: Physics-Informed Cascaded Asymmetric Network for Infrared Small Target Detection [18.422983137700392]
  赤外線小目標検出(ISTD)は画像処理において重要な研究方向である。 既存の手法は、重度の背景雑音伝搬と高レベルの意味的特徴の目標劣化によって制限される。 本稿では,PICANetという,プラグアンドプレイの物理インフォームド・カスケード非対称ネットワークを提案する。
  論文  参考訳（メタデータ） (2026-09-07T14:01:18Z)
• PointVG-R: Internalizing Geometric Reasoning in MLLMs for Precise Pointing Localization via Visual Chain of Thought [19.680475189691965]
  ポインティングに基づく視覚的グラウンドリングでは、視覚シーンとポインティングジェスチャの間の複雑な空間的関係を解読することで、ターゲットオブジェクトを正確に特定する必要がある。 推論誘導型マルチモーダル言語モデル(MLLM)であるPointVG-Rを提案する。 我々は,人間の指し示すジェスチャーを解釈する際に使用する反復的認知過程をシミュレートする,新しい幾何学的推論パイプラインを設計する。
  論文  参考訳（メタデータ） (2026-06-23T13:06:51Z)
• Intrinsic Lorentz Neural Network [49.83037691286893]
  実世界のデータは、しばしば、双曲幾何学によって自然に表される潜在階層構造を示す。 本稿では,全計算をローレンツモデル内で行う完全内在型双曲型アーキテクチャであるEmphIntrinsic Lorentz Neural Network (ILNN)を提案する。 ネットワークの中核は、従来のユークリッド・アフィン・ロジットを閉形双曲線距離に置き換え、新しいエンファンポイント-ハイアプレーン完全連結層(FC)を導入している。
  論文  参考訳（メタデータ） (2026-02-27T12:48:05Z)
• GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
  本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。 これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。 マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-08-14T11:31:43Z)
• COXNet: Cross-Layer Fusion with Adaptive Alignment and Scale Integration for RGBT Tiny Object Detection [13.236592868442678]
  マルチモーダル赤緑色サーマル(RGBT)画像における微小物体検出のための新しいフレームワークを提案する。 クロス層核融合モジュールは、セマンティックおよび空間的精度を高めるために、高レベルの可視・低レベルの熱特徴を融合する。 Dynamic Alignment and Scale Refinement Modules corrects cross-modal space misalignment。 GeoShapeの類似度測定は、より優れたローカライゼーションに使用される。
  論文  参考訳（メタデータ） (2025-08-13T06:30:03Z)
• Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks? [0.0]
  Lorentzian Graph Isomorphic Network (LGIN)は、Lorentzianモデル内での識別性を高めるために設計された新しいHGNNである。 LGINは、強力で差別性の高いGNNアーキテクチャの原理をリーマン多様体に適応させた最初のものである。
  論文  参考訳（メタデータ） (2025-03-31T18:49:34Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Benchmarking Implicit Neural Representation and Geometric Rendering in Real-Time RGB-D SLAM [6.242958695705305]
  インプシット・ニューラル表現(INR)と幾何学的レンダリングの組み合わせは、リアルタイム高密度RGB-D SLAMに採用されている。 我々は、広く使われているINRとレンダリング関数の幅広いスペクトルの性能を評価するための、最初のオープンソースのベンチマークフレームワークを構築した。 RGB-D SLAMシステムに対応するために,高忠実度高密度グリッドマッピングのための明示的なハイブリッド符号化を提案する。
  論文  参考訳（メタデータ） (2024-03-28T14:59:56Z)
• MuseGNN: Forming Scalable, Convergent GNN Layers that Minimize a Sampling-Based Energy [27.328628715885287]
  グラフニューラルネットワーク(GNN)アーキテクチャは、クロスインスタンス関係でデータをモデル化することができる。 このアーキテクチャの重要なサブクラスは、フォワードパスが関心のグラフ正規化エネルギー関数を反復的に還元するように設計された層を含む。 本稿では, ある設定における収束保証によって導かれる, サンプリングベースエネルギー関数と拡張性のあるGNN層を反復的に削減する手法を提案する。 また、これらの設計に基づいて完全なGNNアーキテクチャをインスタンス化し、1TBを超える最大公用ノード分類ベンチマークに適用した場合の競合精度とスケーラビリティを実現する。
  論文  参考訳（メタデータ） (2023-10-19T04:30:14Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Adaptive Linear Span Network for Object Skeleton Detection [56.78705071830965]
  本研究では,適応線形スパンネットワーク(AdaLSN)を提案する。 AdaLSNは、精度とレイテンシのトレードオフを著しく高めることで、その汎用性を裏付ける。 また、エッジ検出や道路抽出といったイメージ・ツー・マスクのタスクに適用可能であることも示している。
  論文  参考訳（メタデータ） (2020-11-08T12:51:14Z)

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。