論文の概要: Foundation-Assisted Active Learning for Object Detection Annotation

• arxiv url: http://arxiv.org/abs/2607.16671v1
• Date: Sat, 18 Jul 2026 06:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.223583
• Title: Foundation-Assisted Active Learning for Object Detection Annotation
• Title（参考訳）: オブジェクト検出アノテーションのためのファウンデーション支援アクティブラーニング
• Authors: Jinchang Zhang, Arnold Zumbrun, Jing Lin, Guoyu Lu,
• Abstract要約: 本稿では,リモートセンシングオブジェクト検出のための基礎モデル協調型アクティブラーニングと半自動アノテーションフレームワークを提案する。 我々は、UPN+SAM2に基づく参照ローカライゼーションソース(SA-source)と検出器予測ソース(OD-source)からなるデュアルソースメカニズムを構築した。 また、DINOv2特徴とSAM2マスクを用いてオブジェクトレベルの表現を構築し、擬似多様性を抑えながらサンプルカバレッジを改善するオブジェクト中心の多様性サンプリングを提案する。
• 参考スコア（独自算出の注目度）: 25.84959945001749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The annotation cost for remote sensing object detection is high, while existing active learning methods still face several challenges in object detection scenarios, including the coupling of localization and classification uncertainty, severe localization noise in the cold-start stage, and pseudo-diversity caused by high-recall candidate proposals. To address these issues, we propose a foundation-model-collaborative active learning and semi-automatic annotation framework for efficient construction of remote sensing object detection datasets. We build a dual-source mechanism consisting of a reference localization source (SA-source) based on UPN+SAM2 and a detector prediction source (OD-source), and further propose a Foundation-model-enhanced Dual-Source Uncertainty estimation to improve sample selection quality in the cold-start stage by jointly modeling localization consistency and classification confidence. Furthermore, we propose Object-Centric Diversity Sampling, which constructs object-level representations using DINOv2 features and SAM2 masks to improve sample coverage while suppressing pseudo-diversity. To address geometric noise in the semi-automatic annotation stage, we design Dual-Source Box Switching, which replaces noisy detector boxes with matched refined boxes from the SA-source, thereby reducing the manual burden of box refinement. Experiments on DIOR, HRSC2016, DOTAv2, and FAIR1M show that our method achieves superior or comparable results under most annotation budgets, with notably stronger cold-start sample efficiency in the low-budget regime.
• Abstract（参考訳）: リモートセンシングオブジェクト検出のアノテーションコストは高いが、既存のアクティブ学習手法では、局所化と分類の不確実性の結合、コールドスタート段階での高度局所化ノイズ、ハイリコール候補の提案による擬似多様性など、オブジェクト検出シナリオにおいていくつかの課題に直面している。 これらの課題に対処するため、リモートセンシングオブジェクト検出データセットの効率的な構築のための基礎モデル協調型アクティブラーニングおよび半自動アノテーションフレームワークを提案する。 我々は、UPN+SAM2に基づく基準局所化源(SAソース)と検出器予測源(ODソース)からなるデュアルソース機構を構築し、さらに、局所化一貫性と分類信頼度を併用して、コールドスタート段階でのサンプル選択品質を向上させるためのファンデーションモデル強化デュアルソース不確実性推定を提案する。 さらに、DINOv2特徴とSAM2マスクを用いてオブジェクトレベルの表現を構築し、擬似多様性を抑えつつサンプルカバレッジを改善するオブジェクト中心の多様性サンプリングを提案する。 半自動アノテーションの段階における幾何ノイズに対処するため、ノイズ検出ボックスをSA音源から整合した箱に置き換えるDual-Source Box Switchingを設計した。 DIOR, HRSC2016, DOTAv2, FAIR1Mによる実験により, 提案手法は, 低予算体制下では, より優れた, 同等な結果が得られることが示された。

関連論文リスト

• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• 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)
• Reliable Few-shot Learning under Dual Noises [166.53173694689693]
  そこで我々はDETA++(Denoized Task Adaptation)を提案する。 DETA++はメモリバンクを使用して、各インナータスククラスのクリーンなリージョンを格納し、精製する。 大規模な実験は、DETA++の有効性と柔軟性を示している。
  論文  参考訳（メタデータ） (2025-06-19T14:05:57Z)
• 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)
• Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
  我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。 DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。 擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-30T03:17:20Z)
• Enhancing Object Detection for Autonomous Driving by Optimizing Anchor Generation and Addressing Class Imbalance [0.0]
  本研究では,より高速なR-CNNに基づく拡張型2次元物体検出器を提案する。 より高速なr-cnnに対する修正は計算コストを増加させず、他のアンカーベースの検出フレームワークを最適化するために容易に拡張できる。
  論文  参考訳（メタデータ） (2021-04-08T16:58:31Z)
• ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification [25.035093667770052]
  2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。 FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。 reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
  論文  参考訳（メタデータ） (2020-12-27T02:38:45Z)
• AFD-Net: Adaptive Fully-Dual Network for Few-Shot Object Detection [8.39479809973967]
  Few-shot Object Detection (FSOD) は、未確認の物体に迅速に適応できる検出器の学習を目的としている。 既存の方法では、共有コンポーネントを用いて分類と局所化のサブタスクを実行することで、この問題を解決している。 本稿では,2つのサブタスクの明示的な分解を考慮し,両者の情報を活用して特徴表現の強化を図ることを提案する。
  論文  参考訳（メタデータ） (2020-11-30T10:21:32Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。