論文の概要: A Large-Scale Dataset and a New Method for RemoteSensing Traffic Object Segmentation
- arxiv url: http://arxiv.org/abs/2607.03945v1
- Date: Sat, 04 Jul 2026 16:40:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.769576
- Title: A Large-Scale Dataset and a New Method for RemoteSensing Traffic Object Segmentation
- Title（参考訳）: 大規模データセットと交通物体分割をリモートセンシングするための新しい方法
- Abstract要約: 我々は,NWPU-Trafficという名前の輸送対象セグメンテーションのための大規模かつ多様なデータセットを構築した。
このデータセットは、自動車、飛行機、船、列車の4つの交通対象カテゴリと、7か国49都市からの広い範囲のシーンを含んでいる。
本研究では,空間チャネル保存機能相互作用と適応型特徴デコーダを利用する新しいセグメンテーション手法を提案する。
- 参考スコア（独自算出の注目度）: 6.5047827920310395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Remote sensing imagery plays a crucial role in evaluating regional transportation capacity. However, existing segmentation datasets often lack diversity in object categories and scenes, limiting the ability of models to comprehensively evaluate trans portation capacity in real-world scenes. To alleviate this gap, we construct a large-scale and diverse dataset for transportation object segmentation, named as NWPU-Traffic. This dataset encompass four traffic object categories (car, airplane, ship, and train) and a wide range of scenes from 49 cities across 7 countries, with instance-level annotations to ensure precise segmentation of individual objects, which bridges critical shortcomings in resolution and scene diversity in existing datasets. Leveraging this dataset, we establish a benchmark with several popular segmentation networks. Furthermore, we propose a novel segmentation method that leverages spatial-channel preserving feature interaction and an adaptive feature decoder, enabling robust segmentation across varying scales and complex environments. Extensive experiments and ablation studies validate the effectiveness of our approach. The dataset and code are publicly available at https://github.com/CVer-Yang/NWPU-Traffic.
- Abstract（参考訳）: リモートセンシング画像は、地域交通容量を評価する上で重要な役割を担っている。
しかし、既存のセグメンテーションデータセットはオブジェクトのカテゴリやシーンの多様性を欠くことが多く、実際のシーンにおけるトランスポーテーション能力を包括的に評価するモデルの能力を制限している。
このギャップを軽減するため,NWPU-Trafficという名称の輸送対象セグメンテーションのための大規模かつ多様なデータセットを構築した。
このデータセットは、車、飛行機、船、列車の4つの交通対象カテゴリと、既存のデータセットにおける重要な欠点とシーンの多様性を橋渡しする個々のオブジェクトの正確なセグメンテーションを保証するためのインスタンスレベルのアノテーションを含む、7カ国49都市からの広い範囲のシーンを含んでいる。
このデータセットを活用することで、いくつかの人気のあるセグメンテーションネットワークでベンチマークを構築します。
さらに,空間チャネル保存機能相互作用と適応的特徴デコーダを活用し,様々なスケールや複雑な環境において堅牢なセグメンテーションを可能にするセグメンテーション手法を提案する。
大規模な実験とアブレーション研究により,本手法の有効性が検証された。
データセットとコードはhttps://github.com/CVer-Yang/NWPU-Traffic.comで公開されている。
関連論文リスト
- Learning to Identify Out-of-Distribution Objects for 3D LiDAR Anomaly Segmentation [4.106285392075794]
既知のクラスと以前は目に見えないオブジェクトの区別は、現実世界の環境では不可欠である。
3D領域の研究は依然として限られており、既存のほとんどのアプローチは2Dビジョンから後処理技術を適用している。
特徴空間内で直接動作する新しい効率的な手法を提案し、異常なサンプルを制約するために不整形クラスの特徴分布をモデル化する。
論文 参考訳（メタデータ） (2026-04-26T08:32:07Z) - A Large-Scale Referring Remote Sensing Image Segmentation Dataset and Benchmark [8.707197692292292]
これまでで最も大きく多様なRRSISデータセットであるNWPU-Referを導入し、49,745個の注釈付きターゲットを持つ30か国にまたがる15,003個の高解像度画像(1024-2048px)を含む。
また、RRSISのユニークな要求に対応する新しいフレームワークであるMulti-scale Referring Network (MRSNet)を提案する。
論文 参考訳（メタデータ） (2025-06-04T05:26:51Z) - Scalable Learning of Segment-Level Traffic Congestion Functions [40.26253453756835]
本研究では,グローバルスケールおよびセグメントレベルの粒度で交通渋滞関数を識別するためのデータ駆動型フレームワークを提案する。
道路毎に異なるパラメータの集合を推定する手法とは対照的に,大都市圏のすべての道路を横断する単一のブラックボックス関数を学習する。
論文 参考訳（メタデータ） (2024-05-09T20:12:46Z) - UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。
我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。
これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
論文 参考訳（メタデータ） (2024-03-22T10:36:50Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。
提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。
パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
論文 参考訳（メタデータ） (2023-12-18T18:59:51Z) - Contrastive Lift: 3D Object Instance Segmentation by Slow-Fast
Contrastive Fusion [110.84357383258818]
本稿では,2次元セグメントを3次元に上げ,ニューラルネットワーク表現を用いて融合させる新しい手法を提案する。
このアプローチの中核は、高速なクラスタリング目的関数であり、多数のオブジェクトを持つシーンにスケーラブルで適しています。
我々のアプローチは、ScanNet、Hypersim、Replicaのデータセットからの挑戦的なシーンにおいて、最先端の状況よりも優れています。
論文 参考訳（メタデータ） (2023-06-07T17:57:45Z) - Detection Hub: Unifying Object Detection Datasets via Query Adaptation
on Language Embedding [137.3719377780593]
新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。
データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。
データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
論文 参考訳（メタデータ） (2022-06-07T17:59:44Z) - Cascaded Sparse Feature Propagation Network for Interactive Segmentation [18.584007891618096]
ユーザが提供する情報をラベルなし領域に伝播するためのクリック拡張特徴表現を学習するカスケードスパース特徴伝達ネットワークを提案する。
提案手法の有効性を,様々なベンチマークによる総合的な実験により検証し,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2022-03-10T03:47:24Z) - Addressing Multiple Salient Object Detection via Dual-Space Long-Range
Dependencies [3.8824028205733017]
正常なオブジェクト検出は多くの下流タスクで重要な役割を果たす。
空間空間とチャネル空間の両方に非局所的特徴情報を組み込んだネットワークアーキテクチャを提案する。
複雑なシナリオであっても,本手法は複数の有能な領域を正確に特定できることを示す。
論文 参考訳（メタデータ） (2021-11-04T23:16:53Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳（メタデータ） (2021-08-15T14:36:02Z)
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。