論文の概要: Hyperbolic Geometry for Open-World Object Detection in Remote Sensing Imagery

• arxiv url: http://arxiv.org/abs/2609.09626v1
• Date: Wed, 09 Sep 2026 02:37:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.873517
• Title: Hyperbolic Geometry for Open-World Object Detection in Remote Sensing Imagery
• Title（参考訳）: リモートセンシング画像におけるオープンワールド物体検出のための双曲幾何学
• Abstract要約: オープンワールドオブジェクト検出(OWOD)は、未知のオブジェクトを識別し、アノテーションが利用可能になったら段階的に学習することによって、クローズドセットの検出を拡張する。 リモートセンシング画像では、オブジェクトカテゴリはしばしば、既存の手法で一般的に採用されているユークリッド空間において不十分に表現される潜在階層関係を示す。 リモートセンシング画像におけるOWODの双曲幾何学を開発し,HyRS-OWODを提案する。 3つのリモートセンシングベンチマークの実験は、最先端OWOD法よりも未知のリコールと漸進学習が一貫した改善を示した。
• 参考スコア（独自算出の注目度）: 7.8811226739863836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-world object detection (OWOD) extends closed-set detection by requiring models to identify unknown objects and incrementally learn them once annotations become available. In remote sensing imagery, object categories often exhibit latent hierarchical relationships that may be inadequately represented in the Euclidean spaces commonly adopted by existing methods, limiting unknown-object recall and incremental-learning performance. To address this issue, we investigate hyperbolic geometry for OWOD in remote sensing imagery and propose HyRS-OWOD. To improve unknown object recall, we design a two-step unknown-object discovery mechanism: a Decoupled Objectness Learning (DOL) module that disentangles foreground perception from semantic information to separate foreground proposals from background regions, followed by a Hyperbolic Uncertainty Learning (HUL) component that leverages the radius of hyperbolic embeddings as an uncertainty-aware cue for known-unknown discrimination. For incremental learning, we develop a Hyperbolic Metric Learning (HML) strategy that enhances inter-class separability, facilitating the incorporation of novel categories while mitigating catastrophic forgetting. Experiments on three remote sensing benchmarks demonstrate consistent improvements in unknown recall and incremental learning over state-of-the-art OWOD methods.
• Abstract（参考訳）: オープンワールドオブジェクト検出(OWOD)は、未知のオブジェクトを識別し、アノテーションが利用可能になったら段階的に学習することによって、クローズドセットの検出を拡張する。 リモートセンシング画像では、オブジェクトカテゴリは、既存の手法で一般的に採用されているユークリッド空間で不適切に表現され、未知のオブジェクトのリコールと漸進的な学習性能を制限する、潜在階層関係を示すことが多い。 本稿では,リモートセンシング画像におけるOWODの双曲幾何学について検討し,HyRS-OWODを提案する。 未知のオブジェクトリコールを改善するために,2段階の未知オブジェクト発見機構を設計する: 意味情報から前景認識を分離して背景領域から前景提案を分離するデカップリングオブジェクト学習 (DOL) モジュール, そして, ハイパーボリックな埋め込みの半径を利用するハイパーボリック不確実性学習 (HUL) コンポーネント。 漸進的な学習のために,クラス間の分離性を向上し,破滅的な忘れを軽減しつつ,新しいカテゴリーの組み入れを容易にするハイパーボリック・メトリック・ラーニング(HML)戦略を開発した。 3つのリモートセンシングベンチマークの実験は、最先端OWOD法よりも未知のリコールと漸進学習が一貫した改善を示した。

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)
• STAR-IOD: Scale-decoupled Topology Alignment with Pseudo-label Refinement for Remote Sensing Incremental Object Detection [26.581594459769363]
  従来の検出器は、新しいものを学ぶ際に、以前に学んだカテゴリを忘れることが多い。 既存の手法は、リモートセンシングシーンでよく見られるクラス内スケールのバリエーションを概ね見落としている。 これらの課題に対処するための新しいフレームワークSTAR-IODを提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:43:09Z)
• Detecting Unknown Objects via Energy-based Separation for Open World Object Detection [20.39851978931329]
  オープンワールドオブジェクト検出の課題に対処する新しいフレームワークであるDEUS(Detecting Unknowns via Energy-based separation)を提案する。 Deus は Equiangular Tight Frame (ETF)-Subspace Unknown Separation (EUS) と Energy-based Known Distinction (EKD) の損失で構成されている。 OWODベンチマーク上でDEUSを徹底的に検証し、競合する既知のクラス性能を維持しながら、未知検出における優れた性能向上を実証した。
  論文  参考訳（メタデータ） (2026-03-31T16:20:56Z)
• Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model [51.81962097623522]
  オープンワールドオブジェクト検出(OWOD)では、未知のオブジェクトを確実に識別しながら、既知のカテゴリを段階的に検出する必要がある。 本稿では、OWODフレームワーク全体を解釈可能とし、検出器が「未知の知識」を真に理解できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2026-02-24T07:08:47Z)
• In defense of the two-stage framework for open-set domain adaptive semantic segmentation [114.08201544572546]
  Open-Set Domain Adaptation for Semantic Training (OSDA-SS)は、既知のクラスに対するドメイン適応と未知の区別の両方を必要とする。 そこで我々は,OSDA-SSを未知の分離と未知のドメイン適応という2つの逐次ステップで扱う分離適応訓練戦略SATSを提案する。 本手法は,未知のクラスと未知のクラスの両方に対する識別的特徴のバランスの取れた学習を保証し,真に未知のオブジェクトの発見に向けてモデルを操る。
  論文  参考訳（メタデータ） (2026-01-04T08:58:03Z)
• Generative Human-Object Interaction Detection via Differentiable Cognitive Steering of Multi-modal LLMs [85.69785384599827]
  人間と物体の相互作用(Human-object Interaction、HOI)の検出は、人と物体のペアとそれらの相互作用を局在させることを目的としている。 既存のメソッドはクローズドワールドの仮定の下で動作し、タスクを未定義の小さな動詞集合上の分類問題として扱う。 本稿では,閉集合分類タスクから開語彙生成問題へのHOI検出を再構成する新しい生成推論・ステアブル知覚フレームワークGRASP-HOを提案する。
  論文  参考訳（メタデータ） (2025-12-19T14:41:50Z)
• Looking Beyond the Known: Towards a Data Discovery Guided Open-World Object Detection [3.9890357781493595]
  Open-World Object Detection (OWOD) は、人間の誘導によって未知の物体の連続的な発見と統合を可能にすることによって、従来の物体検出装置を充実させる。 既存のOWODアプローチは、破滅的な忘れ込みとともに、既知のクラスと未知クラスのセマンティックな混同に悩まされ、未知のリコールが減少し、既知のクラスの精度が低下する。 我々は,未知のオブジェクトの発見と適応を相互に(セットベースの)データ発見と表現学習タスクとして再構成する統合フレームワークである Combinatorial Open-World Detection (CROWD)を提案する。
  論文  参考訳（メタデータ） (2025-09-30T21:48:08Z)
• OW-Rep: Open World Object Detection with Instance Representation Learning [1.8749305679160366]
  Open World Object Detection (OWOD)は、見えないオブジェクトクラスが出現する現実的なシナリオに対処する。 OWODフレームワークを拡張して、未知のオブジェクトを共同で検出し、セマンティックにリッチなインスタンス埋め込みを学ぶ。
  論文  参考訳（メタデータ） (2024-09-24T13:13:34Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Unsupervised Recognition of Unknown Objects for Open-World Object Detection [28.787586991713535]
  Open-World Object Detection (OWOD) はオブジェクト検出問題を現実的でダイナミックなシナリオに拡張する。 現在のOWODモデル(OREやOW-DETRなど)は、高い客観性スコアを持つ擬似ラベル領域に注目する。 本稿では,未知の物体を認識するために,教師なしの識別モデルを学ぶ新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-31T08:17:29Z)
• Online Multi-Object Tracking with Unsupervised Re-Identification Learning and Occlusion Estimation [80.38553821508162]
  異なるオブジェクト間のオクルージョンは、MOT(Multi-Object Tracking)の典型的な課題である 本稿では,これらの問題に対処する2つの新しいモジュールを設計し,オンラインマルチオブジェクト追跡に焦点を当てる。 提案した教師なし再識別学習モジュールは、(疑似)識別情報を一切必要とせず、スケーラビリティの問題に悩まされることもない。 本研究は、最先端MOT法に適用した場合、教師なし再識別学習は教師なし再識別学習に匹敵するものであることを示す。
  論文  参考訳（メタデータ） (2022-01-04T18:59:58Z)

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。