論文の概要: Active-SAOOD: Active Sparsely Annotated Oriented Object Detection in Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2605.10162v1
- Date: Mon, 11 May 2026 08:12:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.628555
- Title: Active-SAOOD: Active Sparsely Annotated Oriented Object Detection in Remote Sensing Images
- Title（参考訳）: Active-SAOOD:リモートセンシング画像におけるアクティブ・スプリスアノテート指向物体検出
- Authors: Yu Lin, Jianghang Lin, Kai Ye, Shengchuan Zhang, Liujuan Cao,
- Abstract要約: 本稿では,能動SAOOD(Active-SAOOD)と呼ばれる,能動学習に基づくスパース指向オブジェクト検出手法を提案する。
Active-SAOODは、現在のモデル状態に最も適したインスタンスレベルで、最も価値のあるスパースサンプルを積極的に選択します。
複数のデータセットの実験により、Active-SAOODは既存のSAOODメソッドのパフォーマンスと安定性の両方を大幅に改善することが示された。
- 参考スコア（独自算出の注目度）: 44.2811469498949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reducing the annotation cost of oriented object detection in remote sensing remains a major challenge. Recently, sparse annotation has gained attention for effectively reducing annotation redundancy in densely remote sensing scenes. However, (1) the sparse data reliance on class-dependent sampling, and (2) the lack of in-depth investigation into the characteristics of sparse samples hinders its further development. This paper proposes an active learning-based sparsely annotated oriented object detection (SAOOD) method, termed Active-SAOOD. Based on a model state observation module, Active-SAOOD actively selects the most valuable sparse samples at the instance level that are best suited to the current model state, by jointly considering orientation, classification, and localization uncertainty, as well as inter- and intra-class diversity. This design enables SAOOD to operate stably under completely randomly initialized sparse annotations and extends its applicability to broader real-world. Experiments on multiple datasets demonstrate that Active-SAOOD significantly improves both performance and stability of existing SAOOD methods under various random sparse annotation. In particular, with only 1\% annotated ratios, it achieves a 9\% performance gain over the baseline, further enhancing the practical value of SAOOD in remote sensing. The code will be public.
- Abstract（参考訳）: リモートセンシングにおけるオブジェクト指向オブジェクト検出のアノテーションコストの削減は、依然として大きな課題である。
近年,密集したリモートセンシングシーンにおけるアノテーションの冗長性を効果的に低減するために,スパースアノテーションが注目されている。
しかし,(1)クラス別サンプリングに依存するスパースデータ,(2)スパースサンプルの特性に関する詳細な調査の欠如は,そのさらなる発展を妨げている。
本稿では,能動SAOOD(Active-SAOOD)と呼ばれる,能動学習に基づく疎アノテーション指向オブジェクト検出手法を提案する。
モデル状態観察モジュールに基づいて、Active-SAOODは、オリエンテーション、分類、ローカライゼーションの不確実性、およびクラス内およびクラス内多様性を共同で検討することにより、現在のモデル状態に最も適したインスタンスレベルで最も価値のあるスパースサンプルを積極的に選択する。
この設計により、SAOODは完全にランダムに初期化されたスパースアノテーションの下で安定して動作でき、より広い現実世界に適用可能である。
複数のデータセットの実験により、Active-SAOODは様々なランダムスパースアノテーションの下で既存のSAOODメソッドの性能と安定性の両方を著しく改善することが示された。
特に、アノテート比がわずか1\%で、ベースラインよりも9\%の性能向上を実現し、リモートセンシングにおけるSAOODの実用的価値をさらに高めている。
コードは公開されます。
関連論文リスト
- SPWOOD: Sparse Partial Weakly-Supervised Oriented Object Detection [19.35154888756369]
オブジェクト指向オブジェクト検出の研究を通して一貫した傾向は、より少ないアノテーションと弱いアノテーションで同等のパフォーマンスを維持することの追求であった。
これは特にリモートセンシング領域において重要であり、高密度物体分布と多種多様なカテゴリーが極めて高いコストに寄与する。
Sparse partial Weakly-Supervised Oriented Object Detection フレームワークを導入しました。
論文 参考訳（メタデータ） (2026-02-03T15:21:01Z) - LLM-Assisted Semantic Guidance for Sparsely Annotated Remote Sensing Object Detection [25.9348571356454]
リモートセンシングオブジェクト検出のためのLLM支援セマンティックガイダンスフレームワーク
Dense Pseudo-Label Assignmentメカニズムは、ラベルなしデータと疎ラベル付きデータの両方に擬似ラベルを適応的に割り当てる。
Adaptive Hard-Negative Reweighting Module による教師付き学習領域の安定化
論文 参考訳（メタデータ） (2025-09-21T08:05:43Z) - Activation Subspaces for Out-of-Distribution Detection [11.782674956998939]
アウト・オブ・ディストリビューション(OOD)検出法は、トレーニング分布に近いサンプルを遠くのサンプルと区別することを目的としている。
分類ヘッドの重み行列の特異値分解を利用した新しいOOD検出法を提案する。
大規模分散シフトのレギュレーションにおける生のアクティベーションよりも, 重要成分のサブスペースが OOD データとIDをより効果的に区別できることが判明した。
論文 参考訳（メタデータ） (2025-08-29T15:03:36Z) - S$^2$Teacher: Step-by-step Teacher for Sparsely Annotated Oriented Object Detection [55.34086214300803]
部分的なインスタンスのみをラベル付けするSAOOD(sparsely annotated object detection)という新しい設定を導入する。
具体的には,(1)前景表現に過度に適合するスパースラベリング,(2)未ラベルオブジェクト(偽陰性)が特徴学習を混乱させる,という2つの課題に焦点をあてる。
そこで本稿では,S$2$Teacherを提案する。S$2$Teacherは,非ラベルオブジェクトの擬似ラベルを,手軽から硬まで段階的にマイニングし,前景表現を強化する手法である。
論文 参考訳（メタデータ） (2025-04-15T11:57:00Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - Boost UAV-based Ojbect Detection via Scale-Invariant Feature Disentanglement and Adversarial Learning [18.11107031800982]
本稿では,スケール不変の特徴を学習することで,単段階推論の精度を向上させることを提案する。
提案手法は,モデル精度を効果的に向上し,2つのデータセット上での最先端(SoTA)性能を実現する。
論文 参考訳（メタデータ） (2024-05-24T11:40:22Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:47:13Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - EARL: An Elliptical Distribution aided Adaptive Rotation Label
Assignment for Oriented Object Detection in Remote Sensing Images [22.963695067213084]
アダプティブ・ローテーション・ラベル・アサインメント (EARL) は、アンカーフリー検出器において、高品質な正のサンプルを適応的に選択するために提案される。
本稿では,ターゲットの規模に応じて多レベル特徴写像の中から適応的にサンプルを選択するために,適応型スケールサンプリング(ADS)戦略を提案する。
さらに, 動的楕円分布支援サンプリング (DED) 戦略を提案し, 試料分布をより柔軟にし, ターゲットの形状や配向に適合させる。
論文 参考訳（メタデータ） (2023-01-14T08:32:16Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z)
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。