論文の概要: RegionDet: A Benchmark for Region Detection Beyond Object Instances

• arxiv url: http://arxiv.org/abs/2608.06850v1
• Date: Fri, 07 Aug 2026 06:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.377476
• Title: RegionDet: A Benchmark for Region Detection Beyond Object Instances
• Title（参考訳）: RegionDet: オブジェクトインスタンスを越えたリージョン検出のためのベンチマーク
• Abstract要約: リージョン検出は、従来のオブジェクト検出をオブジェクトインスタンスを超えて拡張するタスクである。 RegionDetは、リージョンターゲットローカライゼーションのベンチマークである。 クローズドセット検出器は、監督下の領域レベルのパターンを部分的に学習できる一方で、ゼロショット/オープンボキャブラリ検出器は困難であることを示す。
• 参考スコア（独自算出の注目度）: 21.183688039567702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection is a fundamental task in computer vision and has achieved remarkable progress on standard benchmarks by localizing discrete and well-bounded object instances. However, many visual targets in real-world scenarios are not individual objects, but regions defined by visual states, scene context, object relations, and human activities, such as construction areas, damaged road regions, queues, group conversations, and vendor regions. Existing detection benchmarks are mainly built around object instances, providing limited support for systematically evaluating such region targets. To address this gap, we introduce Region Detection, a task that extends conventional object detection beyond object instances, and construct RegionDet, a benchmark for region target localization. RegionDet contains eight region categories, including Construction, Crossing, Damage, Queuing, Talking, Vendor, Waiting, and Walking, with COCO-style bounding-box annotations and evaluation protocols. We systematically evaluate representative closed-set and zero-shot/open-vocabulary detectors on RegionDet. Results show that closed-set detectors can partially learn region-level patterns under supervision, while zero-shot/open-vocabulary detectors struggle severely, revealing the strong object-centric bias of current vision-language detectors. Further analyses highlight key challenges in Region Detection, including weak boundary cues, strong context dependency, and insufficient relation-level region understanding. The RegionDet will be released.
• Abstract（参考訳）: オブジェクト検出はコンピュータビジョンにおける基本的なタスクであり、離散的およびよく束縛されたオブジェクトインスタンスをローカライズすることによって、標準ベンチマークにおいて顕著な進歩を遂げた。 しかし、現実のシナリオにおける多くの視覚的ターゲットは個々のオブジェクトではなく、視覚状態、シーンコンテキスト、オブジェクトの関係、建設領域、損傷した道路領域、待ち行列、グループ会話、ベンダー領域といった人間の活動によって定義される領域である。 既存の検出ベンチマークは主にオブジェクトインスタンスを中心に構築されており、そのような領域のターゲットを体系的に評価するための限定的なサポートを提供する。 このギャップに対処するために、従来のオブジェクト検出をオブジェクトインスタンスを超えて拡張するタスクであるリージョン検出を導入し、リージョンターゲットローカライゼーションのベンチマークであるリージョンデットを構築した。 RegionDetには、コンストラクション、クロス、ダメージ、キュー、トーク、ベンダー、ウェイティング、ウォーキングの8つのリージョンカテゴリがあり、COCOスタイルのバウンディングボックスアノテーションと評価プロトコルがある。 そこで我々は、RereaDet上の代表クローズドセットとゼロショット/オープンボキャブラリ検出器を系統的に評価した。 その結果、クローズドセット検出器は、監督下の領域レベルのパターンを部分的に学習できる一方で、ゼロショット/オープンボキャブラリ検出器は厳しい苦労をしており、現在の視覚言語検出器の強い対象中心バイアスが明らかになっている。 さらに分析は、境界の弱さ、強いコンテキスト依存性、関係レベル領域理解の不十分さなど、領域検出における重要な課題を浮き彫りにする。 RegionDetがリリースされる。

関連論文リスト

• RegionReasoner: Region-Grounded Multi-Round Visual Reasoning [69.75509909581133]
  RegionReasonerは視覚的推論のための強化学習フレームワークである。 これは、それぞれの推論トレースに対応する参照境界ボックスを明示的に引用することを要求することによって、根拠付き推論を強制する。 RegionReasonerは、基礎となる忠実さとグローバルなセマンティックアライメントを組み合わせた構造化された報酬で最適化されている。
  論文  参考訳（メタデータ） (2026-02-03T16:52:16Z)
• OoDIS: Anomaly Instance Segmentation and Detection Benchmark [57.89836988990543]
  この作業は、インスタンスセグメンテーションとオブジェクト検出タスクを含むために、よく使われる異常セグメンテーションベンチマークを拡張します。 異常セグメンテーションおよびオブジェクト検出手法の評価は,これらの課題が未解決問題のままであることを示す。
  論文  参考訳（メタデータ） (2024-06-17T17:59:56Z)
• Object-level Copy-Move Forgery Image Detection based on Inconsistency Mining [25.174869954072648]
  Inconsistency Mining(IMNet)に基づくオブジェクトレベルのコピー・モーブ偽画像検出を提案する。 オブジェクトレベルの完全なターゲットを得るために、ソースと改ざんされた領域のプロトタイプをカスタマイズし、動的に更新する。 提案するIMNetの有効性とロバスト性を検証した3つの公開データセットについて実験を行った。
  論文  参考訳（メタデータ） (2024-03-31T09:01:17Z)
• Zone Evaluation: Revealing Spatial Bias in Object Detection [69.59295428233844]
  物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。 本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。 初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
  論文  参考訳（メタデータ） (2023-10-20T01:44:49Z)
• Focus on Local Regions for Query-based Object Detection [14.982147587695652]
  本稿では,デコーダのみを備えたトランスフォーマー型アーキテクチャであるFoLRを提案する。 無関係なオブジェクト間の接続を分離することで、自己注意を改善する。 また、クエリの局所領域に基づいて効率的な特徴を抽出する適応サンプリング手法を設計する。
  論文  参考訳（メタデータ） (2023-10-10T09:41:13Z)
• ECEA: Extensible Co-Existing Attention for Few-Shot Object Detection [52.16237548064387]
  Few-shot Object Detection (FSOD) は、非常に少数のアノテーション付きサンプルからオブジェクトを識別する。 近年のFSOD法の多くは、2段階の学習パラダイムを適用しており、このパラダイムは豊富なベースクラスから学んだ知識を、グローバルな特徴を学習することで、数発の検知を補助する。 本研究では,局所的な部分に応じて大域的オブジェクトを推論するための拡張可能共存注意(ECEA)モジュールを提案する。
  論文  参考訳（メタデータ） (2023-09-15T06:55:43Z)
• DQnet: Cross-Model Detail Querying for Camouflaged Object Detection [54.82390534024954]
  カモフラージュされた物体検出のための畳み込みニューラルネットワーク(CNN)は、完全な対象範囲を無視しながら局所的な識別領域を活性化する傾向がある。 本稿では,CNNの内在的特性から部分的活性化が引き起こされることを論じる。 完全なオブジェクト範囲を活性化できる特徴マップを得るために,クロスモデル詳細クエリネットワーク(DQnet)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-16T06:23:58Z)
• Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
  本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。 提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。 領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
  論文  参考訳（メタデータ） (2022-02-09T18:56:41Z)
• SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
  Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。 ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。 我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2022-01-12T18:57:04Z)

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。