論文の概要: ScopeMamba-YOLO: Widening the Perceptual Scope Inward and Outward for Small Object Detection in Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2609.10156v1
- Date: Wed, 09 Sep 2026 13:32:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.037097
- Title: ScopeMamba-YOLO: Widening the Perceptual Scope Inward and Outward for Small Object Detection in Remote Sensing Imagery
- Title（参考訳）: ScopeMamba-YOLO:リモートセンシング画像における小物体検出のための知覚スコープ内外への拡大
- Abstract要約: 無人航空機(UAV)とリモートセンシング画像の小さな物体検出には、長距離のコンテキストをモデル化しながら高解像度の細部を保存する必要がある。
畳み込みストリームからコンテキストモデリングを分離するオフパス・ゼロゲート選択走査原理に基づいて構築されたScopeMamba-YOLOを提案する。
VisDrone 2019で、ScopeMamba-Sは3.57Mパラメータで50.8% mAP50を達成し、YOLOv8sを10.8pp越え、パラメータの32%を使用し、ScopeMamba-Mは6.48Mパラメータで52.6% mAP50に達する。
- 参考スコア（独自算出の注目度）: 2.3496832983179807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Small object detection in unmanned aerial vehicle (UAV) and remote sensing imagery requires preserving high-resolution detail while modeling long-range context. Adding a stride-4 detection level and removing the stride-32 stage benefits tiny targets but weakens peripheral spatial support, whereas directly inserting selective scanning into the main feature path can interfere with weak local cues. We propose ScopeMamba-YOLO, built around an off-path, zero-gated selective-scanning principle that decouples contextual modeling from the convolutional stream. The principle is instantiated by a Cascaded Global-Context Module (CGCM) in the backbone and a Selective-Scan PAN (SS-PAN) in the neck. An Adaptive Multi-scale Strip (AMS) Block reduces the cost of high-resolution feature extraction, while a Scale-Adaptive DFL (SA-DFL) head reallocates distributional support and regression capacity across scales with only 0.008M additional parameters. Controlled experiments show that matched main-path selective scanning reduces mAP50 by 0.98 pp, whereas off-path CGCM improves the final configuration by 0.67 pp over the three-seed no-CGCM mean; operator controls indicate that this gain is not explained by auxiliary branch capacity alone. ERF analysis further shows that the complete context pathway increases the peripheral energy ratio from 0.008 to 0.090 at stride 8. On VisDrone-2019, ScopeMamba-S achieves 50.8% mAP50 with 3.57M parameters, exceeding YOLOv8s by 10.8 pp while using 32% of its parameters; ScopeMamba-M reaches 52.6% mAP50 with 6.48M parameters. Consistent improvements are also observed on AI-TOD, especially for very-tiny and tiny objects.
- Abstract（参考訳）: 無人航空機(UAV)とリモートセンシング画像の小さな物体検出には、長距離のコンテキストをモデル化しながら高解像度の細部を保存する必要がある。
ストライド4の検出レベルとストライド-32ステージの除去は、小さな目標を達成できるが、周辺空間の支持を弱める一方、主特徴経路に直接選択的スキャンを挿入すると、局所的な手がかりが弱くなる。
畳み込みストリームからコンテキストモデリングを分離するオフパス・ゼロゲート選択走査原理に基づいて構築されたScopeMamba-YOLOを提案する。
この原理は、バックボーンのカスケードグローバルコンテキストモジュール(CGCM)と首のSelective-Scan PAN(SS-PAN)によってインスタンス化される。
アダプティブ・マルチスケール・ストリップ(AMS)ブロックは高分解能特徴抽出のコストを削減し、スケール・アダプティブDFL(SA-DFL)ヘッドは0.008Mの追加パラメータで分散サポートと回帰能力を再配置する。
制御された実験により、マッチしたメインパス選択走査はmAP50を0.98pp削減し、オフパスCGCMは3シードのno-CGCM平均よりも0.67pp改善した。
ERF分析により、完全文脈経路はストライド8において0.008から0.090に周辺エネルギー比を増大させることが示された。
VisDrone-2019では、ScopeMamba-Sが50.8% mAP50を3.57Mパラメータで達成し、YOLOv8sを10.8pp越え、パラメータの32%を使用し、ScopeMamba-Mは6.48Mパラメータで52.6% mAP50に達する。
一貫性のある改善はAI-TODでも見られる。
関連論文リスト
- LCMamNet: A Lightweight Cross-scale Mamba Network for Infrared Small Target Detection [53.811713750107934]
赤外線小ターゲット検出のための軽量クロススケールマンバネットワークであるLCMamNetを提案する。
十字形指向性ボトルネック残差ブロックを有するコンパクト階層型エンコーダは、指向性ターゲット構造を強化する。
IRSTD-1k、NUAA-SIRST、NUDT-SIRSTの実験では、提案したネットワークがそれぞれ71.25%、79.60%、95.58%のmIoUスコアを達成した。
論文 参考訳（メタデータ） (2026-07-27T09:06:14Z) - LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。
ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。
nuScenesとVIRATの実験は、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T06:44:02Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - ArcGate: Adaptive Arctangent Gated Activation [62.5098969984518]
本稿では,アクティベーション形状の広いスペクトルを生成するフレキシブルな定式化であるAdaptive Arctangent Gated Activation関数を提案する。
我々は、PatternNet、UC Merced Land Use、13バンドのEuroSAT MSIマルチスペクトルデータセットの3つのリモートセンシングベンチマークでArcGateを評価した。
論文 参考訳（メタデータ） (2026-05-14T08:00:46Z) - Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。
本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。
我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
論文 参考訳（メタデータ） (2026-05-12T17:11:17Z) - DroneScan-YOLO: Redundancy-Aware Lightweight Detection for Tiny Objects in UAV Imagery [0.0]
DroneScan-YOLOは,4つのコーディネートされた設計選択を通じて制限に対処する,総合的なシステムコントリビューションである。
DroneScan-YOLOは55.3%のmAP@50と35.6%のmAP@50-95を達成し、YOLOv8sベースラインを+16.6と+12.3で上回った。
論文 参考訳（メタデータ） (2026-04-14T20:14:57Z) - SCAFusion: A Multimodal 3D Detection Framework for Small Object Detection in Lunar Surface Exploration [18.857802421595235]
本稿では,月面ロボット探査に適したマルチモーダル3次元物体検出モデルであるSCAFusionを提案する。
パラメータの無視的増加により,本モデルは nuScenes 検証セット上で69.7% mAP と72.1% NDS を達成する。
アイザック・シム (Isaac Sim) で作られた模擬月面環境では、SCAFusion は 90.93% mAP に達し、ベースラインを 11.5% 上回っている。
論文 参考訳（メタデータ） (2025-12-27T07:08:03Z) - MRS-YOLO Railroad Transmission Line Foreign Object Detection Based on Improved YOLO11 and Channel Pruning [2.6795746856835785]
YOLO11に基づく改良アルゴリズム MRS-YOLOを提案する。
MRS-YOLOアルゴリズムのmAP50とmAP50:95はそれぞれ94.8%と86.4%に改善されている。
論文 参考訳（メタデータ） (2025-10-12T11:38:09Z) - YOLOv11-Litchi: Efficient Litchi Fruit Detection based on UAV-Captured Agricultural Imagery in Complex Orchard Environments [6.862722449907841]
本稿では,UAVを用いたリッチ検出のための軽量で堅牢な検出モデルであるYOLOv11-Litchiを紹介する。
YOLOv11-Litchiのパラメータサイズは6.35MBで、YOLOv11ベースラインよりも32.5%小さい。
このモデルは57.2FPSのフレームレートを実現し、リアルタイム検出要求を満たす。
論文 参考訳（メタデータ） (2025-10-11T09:44:00Z) - An Efficient Aerial Image Detection with Variable Receptive Fields [0.0]
3つの鍵成分を組み込んだ変圧器型検出器を提案する。
VRF-DETRは51.4%のmAPtextsubscript50と31.8%のmAPtextsubscript50:95を13.5Mパラメータで達成している。
論文 参考訳（メタデータ） (2025-04-21T15:16:13Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z)
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。