論文の概要: CLSC DETR: Reliable Candidate Ranking via Cross Layer Geometric Support for UAV Small Object Detection

• arxiv url: http://arxiv.org/abs/2608.21457v1
• Date: Thu, 20 Aug 2026 14:37:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.149446
• Title: CLSC DETR: Reliable Candidate Ranking via Cross Layer Geometric Support for UAV Small Object Detection
• Title（参考訳）: CLSC DETR:UAV小物体検出のためのクロス層幾何学的支援による信頼性の高い候補ランク付け
• Abstract要約: 無人航空機(UAV)の物体検出は、複雑な空域における小さな物体の正確な検出が困難であるターゲット探索のような応用には不可欠である。 既存のTransformer (DETR) ベースの手法は、個々のクエリからローカライズ品質を推定し、それを分類スコアに組み込むことでランキングを改善する。 CLSC DETR と呼ばれる DETR のクロス層局所サポートと整合性を提案する。 実験の結果、CLSC DETRはベースラインでAPとAP$_75$をそれぞれ1.5%、VisDroneで2.0%改善し、UAVDTで一貫した改善を実現している。
• 参考スコア（独自算出の注目度）: 0.7614628596146601
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unmanned aerial vehicle (UAV) object detection is critical for applications such as target search, where accurate detection of small objects in complex aerial scenes remains challenging. The limited spatial extent, dense distribution, and frequent occlusion of small objects make reliable candidate ranking particularly difficult. Existing Detection Transformer (DETR) based methods improve ranking by estimating localization quality from individual queries and incorporating it into classification scores. However, a single query often lacks sufficient geometric evidence for small objects with weak boundary cues, resulting in unreliable quality estimation and unstable ranking. To address this limitation, we propose Cross Layer Local Support and Consistency Calibration for DETR, termed CLSC DETR. Specifically, the Cross Layer Local Support module establishes correspondences between final layer queries and intermediate layer candidates to aggregate complementary geometric evidence for more reliable localization quality estimation, while the Classification and Localization Consistency Calibration module adaptively adjusts classification scores according to localization quality and classification reliability to improve candidate ranking. Experiments show that CLSC DETR improves AP and AP$_{75}$ over the baseline by 1.5\% and 2.0\% on VisDrone, respectively, while achieving consistent improvements on UAVDT.
• Abstract（参考訳）: 無人航空機(UAV)の物体検出は、複雑な空域における小さな物体の正確な検出が困難であるターゲット探索のような応用には不可欠である。 限られた空間範囲、密度分布、小さな物体の頻繁な排除は、信頼性の高い候補ランキングを特に困難にしている。 既存の検出変換器(DETR)に基づく手法は、個々のクエリからローカライズ品質を推定し、それを分類スコアに組み込むことでランキングを改善する。 しかし、単一のクエリは境界が弱い小さなオブジェクトに対して十分な幾何学的証拠を欠くことが多く、信頼性の低い品質推定と不安定なランキングをもたらす。 この制限に対処するため、CLSC DETRと呼ばれるDETRのクロスレイヤローカルサポートと一貫性校正を提案する。 具体的には、Cross Layer Local Supportモジュールは、最終層クエリと中間層候補間の対応を確立して、より信頼性の高いローカライゼーション品質推定のための相補的幾何学的証拠を集約し、一方、分類と局所化整合度校正モジュールは、ローカライゼーション品質と分類信頼性に応じて分類スコアを適応的に調整し、候補ランキングを改善する。 実験の結果、CLSC DETRはベースライン上のAPとAP$_{75}$をそれぞれ1.5 %、VisDroneでは2.0 %改善し、UAVDTでは一貫した改善が達成された。

関連論文リスト

• Reading Decoder Trajectories: Training-Free Counterfactual Query-Trajectory Reliability for Small-Object Detection [1.1903082871386892]
  限られたピクセルが情報損失を引き起こし、事前訓練された検出器で符号化されたスケール知識を抑制するため、小さな物体検出は依然として困難である。 本稿では,CQTR(Counterfactual Query-Trajectory Reliability)を提案する。
  論文  参考訳（メタデータ） (2026-09-06T12:59:20Z)
• Better Sampling, towards Better End-to-end Small Object Detection [7.7473020808686694]
  限られた特性と高密度と相互重なり合いのため、小さな物体検出は不満足なままである。 エンド・ツー・エンド・フレームワークにおけるサンプリングの強化手法を提案する。 我々のモデルは、VisDroneデータセット上での最先端(SOTA)よりも平均精度(AP)が2.9%向上することを示す。
  論文  参考訳（メタデータ） (2024-05-17T04:37:44Z)
• Sparse Semi-DETR: Sparse Learnable Queries for Semi-Supervised Object Detection [12.417754433715903]
  Sparse Semi-DETRは、トランスフォーマーをベースとした、エンドツーエンドの半教師付きオブジェクト検出ソリューションである。 Sparse Semi-DETR には Query Refinement Module が組み込まれており、オブジェクトクエリの品質を高め、小型で部分的に隠されたオブジェクトの検出能力を著しく改善している。 MS-COCOおよびPascal VOCオブジェクト検出ベンチマークでは、Sparse Semi-DETRは現在の最先端手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-04-02T10:22:23Z)
• Decoupled DETR: Spatially Disentangling Localization and Classification for Improved End-to-End Object Detection [48.429555904690595]
  本稿では,タスク認識型問合せ生成モジュールと切り離された特徴学習プロセスを含む空間的に分離されたDETRを紹介する。 提案手法は,従来の研究に比べてMSCOCOデータセットの大幅な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2023-10-24T15:54:11Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、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ことである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• 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。