論文の概要: ECAD: Expanding Class-Agnostic Detection Beyond Thing-Centric Objectness
- arxiv url: http://arxiv.org/abs/2608.06841v1
- Date: Fri, 07 Aug 2026 06:01:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.374926
- Title: ECAD: Expanding Class-Agnostic Detection Beyond Thing-Centric Objectness
- Title(参考訳): ECAD:Thing-Centric Objectnessを超えてクラス非依存の検出を拡張する
- Abstract要約: カテゴリーに依存しない視覚的候補を見つけることを目的とした,拡張型クラス非依存検出(ECAD)を定式化する。
ECADetは、凍ったDINOv3エンコーダ上に作られた軽量のDETRベースの検出器である。
ECADetはBTCO-Bench上のクラス非依存型および提案型検出器よりも一貫して優れていることを示す。
- 参考スコア(独自算出の注目度): 19.94019125942239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object detection is a fundamental task in visual perception, providing structured region representations for recognition, grounding, reasoning, and interaction. However, existing detection paradigms largely inherit a thing-centric notion of objectness, where detectors are mainly trained to localize discrete and countable object instances. Consequently, many semantically meaningful visual elements, such as sky, road, grassland, water, and sports courts, are often absorbed into the background despite their importance for scene understanding and spatial reasoning. In this paper, we formulate Expanded Class-Agnostic Detection (ECAD), a new setting that aims to discover category-agnostic visual candidates beyond conventional thing-centric objects. To support this setting, we construct BTCO-Bench, a Beyond Thing-Centric Objectness benchmark with category-agnostic box annotations covering both real-world and cross-domain scenarios. We further propose ECADet, a lightweight DETR-based detector built upon a frozen DINOv3 encoder, and introduce Geometry-Aware Expert Regression (GAER) and Prototype-Guided Query Modulation (PGQM) to improve localization and objectness estimation for diverse visual elements, respectively. Extensive experiments show that ECADet consistently outperforms representative class-agnostic and proposal-based detectors on BTCO-Bench, demonstrating the effectiveness of expanded objectness discovery. Code and benchmark will be released.
- Abstract(参考訳): オブジェクト検出は視覚知覚における基本的なタスクであり、認識、接地、推論、相互作用のための構造化された領域表現を提供する。
しかし、既存の検出パラダイムは、主に個々のオブジェクトインスタンスと可算オブジェクトインスタンスをローカライズするために、検出器が主に訓練される、モノ中心のオブジェクトネスの概念を継承している。
したがって、空、道路、草原、水、スポーツコートといった意味的に意味のある視覚要素は、風景理解や空間的推論の重要性にもかかわらず、背景に吸収されることが多い。
本稿では,従来の物中心物以外のカテゴリーに依存しない視覚的候補を見つけることを目的とした,拡張型クラス非依存検出(ECAD)を定式化する。
この設定をサポートするために,実世界のシナリオとクロスドメインシナリオの両方をカバーするカテゴリに依存しないボックスアノテーションを備えた,Beyond Thing-Centric ObjectnessベンチマークBTCO-Benchを構築した。
さらに,凍結したDINOv3エンコーダ上に構築された軽量なDETRベースの検出器であるECADetを提案する。また,多様な視覚要素のローカライゼーションとオブジェクトネス推定を改善するために,Geometry-Aware Expert Regression (GAER) と Prototype-Guided Query Modulation (PGQM) を導入する。
大規模な実験により、ECADetはBTCO-Bench上のクラス非依存および提案に基づく検出器を一貫して上回り、拡張されたオブジェクトネス発見の有効性を実証した。
コードとベンチマークがリリースされる。
関連論文リスト
- Background-Free Objectness Learning for Class-Agnostic Detection [1.423280626666929]
background-free Objectness Learning (B-FOR) は、ラベルのない領域において、明示的なバックグラウンド監督なしでオブジェクトを学習する。
スーパービジョンは、空間的に構造化されたソフトターゲットを通して、信頼できるアノテート領域に限られる。
B-FORは、以前のクラスに依存しないベースラインよりも、+10ARポイント以上のリコールを改善する。
論文 参考訳(メタデータ) (2026-08-29T12:39:23Z) - Hierarchical Fine-Grained Aerial Object Detection [41.39072956799442]
本稿では、エキスパートインフォームドキューを組み込んだ、きめ細かい空中物体検出のためのスキーム「ExpertDet」を提案する。
具体的には、視覚構造とセマンティクスを整合させるVMAM(Vision-Aware Masked Attribute Modeling)を設計する。
また,階層型ビジュアル・インスタンス・プロモーション (HierVIP) を提案し,階層型関係に基づくビジュアル・プロトタイプ・ツリーを構築する。
論文 参考訳(メタデータ) (2026-06-15T09:20:16Z) - SDDF: Specificity-Driven Dynamic Focusing for Open-Vocabulary Camouflaged Object Detection [12.404050551208366]
Open-vocabulary Object Detection (OVOD) は、テキストプロンプトを活用することで、オープン世界の未知の物体や未知の物体を検出することを目的としている。
OVCOD-D という名前のベンチマークは、細かなテキスト記述で慎重に選択されたカモフラーグオブジェクトイメージを増補することで構成する。
オープンセット評価設定では,OVCOD-Dベンチマークで56.4のAPを達成する。
論文 参考訳(メタデータ) (2026-03-27T06:37:32Z) - From Objects to Events: Unlocking Complex Visual Understanding in Object Detectors via LLM-guided Symbolic Reasoning [71.41062111470414]
現在のオブジェクト検出器は、エンティティのローカライゼーションと分類において優れているが、イベント認識機能には固有の制限がある。
本稿では,単なるオブジェクト認識以上の標準オブジェクト検出能力を,複雑なイベント理解に拡張する新しいフレームワークを提案する。
私たちの重要なイノベーションは、高価なタスク固有のトレーニングを必要とせずに、オブジェクト検出とイベント理解のセマンティックなギャップを埋めることです。
論文 参考訳(メタデータ) (2025-02-09T10:30:54Z) - Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。
本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。
本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
論文 参考訳(メタデータ) (2024-11-04T12:59:13Z) - Detecting Every Object from Events [24.58024539462497]
本稿では,イベントベースの視覚において,クラスに依存しない高速なオープンワールドオブジェクト検出を実現するためのアプローチとして,イベント中のすべてのオブジェクトの検出(DEOE)を提案する。
私たちのコードはhttps://github.com/Hatins/DEOEで公開されています。
論文 参考訳(メタデータ) (2024-04-08T08:20:53Z) - GOOD: Towards Domain Generalized Orientated Object Detection [37.53218059792163]
オブジェクト指向物体検出はここ数年で急速に発展してきたが、これらの手法のほとんどは、トレーニングとテスト画像は同じ統計分布下にあると仮定している。
本稿では,任意の対象領域上でのオブジェクト指向物体検出の一般化を探求する領域一般化オブジェクト指向物体検出の課題を提案する。
論文 参考訳(メタデータ) (2024-02-20T07:12:22Z) - Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。
画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。
オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
論文 参考訳(メタデータ) (2023-07-07T04:03:48Z) - Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。
本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文 参考訳(メタデータ) (2021-12-21T17:10:21Z) - 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) - Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。
最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。
それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
論文 参考訳(メタデータ) (2021-04-16T21:35:08Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳(メタデータ) (2020-11-17T09:39:42Z)
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。