論文の概要: Noise-Robust Box-Supervised Infrared Small Target Detection via Physics-Inspired Soft Label Optimization

• arxiv url: http://arxiv.org/abs/2607.17148v1
• Date: Sun, 19 Jul 2026 09:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.382502
• Title: Noise-Robust Box-Supervised Infrared Small Target Detection via Physics-Inspired Soft Label Optimization
• Title（参考訳）: 物理インスパイアされたソフトラベル最適化によるノイズ・ロバストボックス・スーパービジョン赤外小ターゲット検出
• Authors: Xizhe Zhang, Fan Shi, Mianzhao Wang, Jiangpeng Zheng, Xu Cheng, Shengyong Chen,
• Abstract要約: 赤外線小目標検出(IRSTD)は一般的にピクセルレベルのマスク監視に依存している。 Box-supervised IRSTDは、一般的なbox-to-maskセグメンテーションとpoint-supervised IRSTDとは異なる問題である。 高度に汚染されたボックスから安定な画素レベルのソフト監視を構築するために,Hotspot-Anchored Label Optimization (HALO)を提案する。
• 参考スコア（独自算出の注目度）: 27.543132156949557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrared small target detection (IRSTD) commonly relies on pixel-level mask supervision. Such annotations, however, are costly and inherently uncertain because infrared targets have blurred boundaries and weak textures. We formulate box-supervised IRSTD as a problem distinct from generic box-to-mask segmentation and point-supervised IRSTD. Its central challenge is to construct stable pixel-level soft supervision from highly contaminated boxes. To this end, we propose Hotspot-Anchored Label Optimization (HALO). HALO localizes a radiometric anchor inside each box under local background-statistics constraints, then synthesizes a Physically Anchored Gaussian (PAG) soft label around the anchor. This turns noisy box supervision into continuous, pixel-level soft labels. The entire process is performed offline before training, remains decoupled from the detector backbone, and requires no online label updates. Experiments on public datasets show that HALO is competitive with representative box-supervised methods under standard tight boxes. Under looser or shifted box annotations that better approximate real scenarios, HALO is substantially more robust while remaining consistent across backbones. We further introduce a contamination-aware operating-regime analysis to characterize the effective boundary of this class of methods and reveal how intrinsic signal-to-clutter ratio relates to performance.
• Abstract（参考訳）: 赤外線小目標検出(IRSTD)は一般的にピクセルレベルのマスク監視に依存している。 しかし、このようなアノテーションは、赤外線ターゲットの境界がぼやけており、テクスチャが弱いため、費用がかかり、本質的に不確実である。 ボックス制御IRSTDを汎用的なボックス・ツー・マスク分割とポイント制御IRSTDとは異なる問題として定式化する。 その中心的な課題は、高度に汚染された箱から安定なピクセルレベルのソフト監視を構築することである。 この目的のために,Hotspot-Anchored Label Optimization (HALO)を提案する。 HALOは各ボックス内の放射計アンカーを局所的背景統計制約の下でローカライズし、その後、アンカーの周囲に物理的アンコールド・ガウス(PAG)ソフトラベルを合成する。 これはノイズの多いボックスの監視を、連続したピクセルレベルのソフトラベルに変える。 全プロセスはトレーニング前にオフラインで実行され、検出器バックボーンから切り離されたままで、オンラインラベル更新は必要ありません。 公開データセットの実験では、HALOは標準のタイトボックスの下で、代表的ボックス管理手法と競合している。 実際のシナリオをよりよく近似する、よりゆるやかなボックスアノテーションやシフトボックスアノテーションの下で、HALOはバックボーン間で一貫性を維持しながら、はるかに堅牢である。 さらに,本手法の有効境界を特徴付けるために,汚染を意識したオペレーティング・レジーム解析を導入し,本発明の信号・クラッタ比が性能に与える影響を明らかにする。

関連論文リスト

• Rethinking IRSTD: Single-Point Supervision Guided Encoder-only Framework is Enough for Infrared Small Target Detection [18.866174322297997]
  赤外線小ターゲット検出(IRSTD)は、小さなターゲットを乱雑な背景から分離することを目的としている。 本稿では,新しい単一点応答スーパービジョン誘導赤外線確率応答法を提案する。
  論文  参考訳（メタデータ） (2026-04-07T03:01:51Z)
• Rethinking the Encoding and Annotating of 3D Bounding Box: Corner-Aware 3D Object Detection from Point Clouds [69.84768614060559]
  中心方向の回帰はLiDARベースの3Dオブジェクト検出において依然として支配的だが、基本的な不安定さに悩まされている。 本稿では,予測対象を不安定な中心から幾何学的情報的コーナーへシフトするコーナーアライン回帰を提案する。 我々は、既存の検出器に差し込むことができる、シンプルで効果的なコーナー認識検出ヘッドを設計する。
  論文  参考訳（メタデータ） (2025-11-18T13:49:30Z)
• TRACE: Your Diffusion Model is Secretly an Instance Edge Detector [45.119480971518946]
  本稿では,テキストと画像の拡散モデルが秘密裏にインスタンスエッジアノテータとして機能していることを示し,TRACEを提案する。 TRACEは、オブジェクト境界が最初に自己アテンションマップに現れるインスタンスエネルジェンスポイント(IEP)を特定し、アテンション境界分割(ABDiv)を通して境界を抽出し、それらを軽量のワンステップエッジデコーダに蒸留する。 COCOベンチマークでは、TRACEは教師なしのインスタンスセグメンテーションを+5.1 APで改善し、タグ付きパノスコープセグメンテーションでは、インスタンスレベルのラベルを使わずに、ポイント付きベースラインを+1.7 PQで上回る。
  論文  参考訳（メタデータ） (2025-03-11T02:34:33Z)
• Point2RBox: Combine Knowledge from Synthetic Visual Patterns for End-to-end Oriented Object Detection with Single Point Supervision [81.60564776995682]
  我々は、ポイント教師付きオブジェクト検出のためのエンドツーエンドソリューションであるPoint2RBoxを提案する。 提案手法は軽量なパラダイムを用いているが,点教師付き代替品間での競合性能を実現する。 特に,本手法は軽量なパラダイムを用いるが,点教師付き代替品間での競合性能を実現する。
  論文  参考訳（メタデータ） (2023-11-23T15:57:41Z)
• Learning Remote Sensing Object Detection with Single Point Supervision [17.12725535531483]
  Pointly Supervised Object Detection (PSOD) は、ボックスレベルの監視対象検出と比較してラベリングコストが低いため、かなりの関心を集めている。 本研究では,RS画像に適したPSOD法を提案する。 提案手法は,最先端の画像レベルとポイントレベルの教師付き検出法と比較して性能が大幅に向上し,PSODとボックスレベルの教師付きオブジェクト検出の差を低減できる。
  論文  参考訳（メタデータ） (2023-05-23T15:06:04Z)
• Threatening Patch Attacks on Object Detection in Optical Remote Sensing Images [55.09446477517365]
  自然画像における物体検出における高度なパッチアタック(PA)は、ディープニューラルネットワークに基づく手法における大きな安全性の脆弱性を指摘した。 我々は,TPAと呼ばれる視覚的品質の低下を伴わない,より危険度の高いPAを提案する。 我々の知る限りでは、これがO-RSIにおけるオブジェクト検出におけるPAの研究の最初の試みであり、この研究が読者にこのトピックの研究に興味を持たせることを願っている。
  論文  参考訳（メタデータ） (2023-02-13T02:35:49Z)
• Pointly-Supervised Panoptic Segmentation [106.68888377104886]
  弱教師付き単眼セグメンテーションにポイントレベルのアノテーションを適用するための新しい手法を提案する。 完全に教師された方法で使用される高密度のピクセルレベルラベルの代わりに、ポイントレベルラベルは、監督対象ごとに単一のポイントしか提供しない。 我々は、ポイントレベルのラベルから同時に汎視的擬似マスクを生成し、それらから学習することで、エンドツーエンドのフレームワークにおける問題を定式化する。
  論文  参考訳（メタデータ） (2022-10-25T12:03:51Z)
• DSLA: Dynamic smooth label assignment for efficient anchor-free object detection [18.043176234010517]
  アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。 局所化の質を推定するために、個別の予測分岐を導入するのが一般的である。 分類と品質評価の実践を掘り下げると、以下の矛盾が観測される。
  論文  参考訳（メタデータ） (2022-08-01T12:56:44Z)
• Weakly-Supervised Salient Object Detection Using Point Supervison [17.88596733603456]
  現在の最先端の精度検出モデルは、正確なピクセル単位のアノテーションの大規模なデータセットに大きく依存している。 本稿では,ポイント・インスペクタを用いた弱教師付きサルエント・オブジェクト検出手法を提案する。 我々の手法は、より強い監督力で訓練された従来の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-03-22T12:16:05Z)
• Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
  本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。 提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。 そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。 ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
  論文  参考訳（メタデータ） (2020-11-25T18:59:54Z)
• Solving Missing-Annotation Object Detection with Background Recalibration Loss [49.42997894751021]
  本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。 従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。 本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
  論文  参考訳（メタデータ） (2020-02-12T23:11:46Z)

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。