論文の概要: PDA++: Field-Aligned Planning and Scene-Adaptive Insertion in Remote Sensing

• arxiv url: http://arxiv.org/abs/2609.18329v2
• Date: Thu, 17 Sep 2026 04:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.72159
• Title: PDA++: Field-Aligned Planning and Scene-Adaptive Insertion in Remote Sensing
• Title（参考訳）: PDA++: リモートセンシングにおけるフィールドアライズドプランニングとシーンアダプティブインサーション
• Abstract要約: 環境に配慮したオブジェクト挿入フレームワークであるPDA++を提案する。 Plan、Decouple、Assimilateのプランニングはシーン互換のポーズを決定する。 デカップリングは、正確な空間的ガイダンスを提供するポーズ条件付き背景を導入する。 同化は、最適輸送により、多スケールのテクスチャ分布を整列させることにより、局所的コヒーレンスをさらに改善する。
• 参考スコア（独自算出の注目度）: 20.007106001625047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing recognition is often constrained by scarce observations of rare targets and costly annotations, making realistic synthetic augmentation particularly valuable for few-shot and long-tailed scenarios. Object insertion provides an efficient way to increase target diversity while preserving authentic background scenes, but realistic insertion in overhead imagery requires the generated target to adapt coherently to its surrounding environment. To this end, we propose PDA++, a unified environment-aware object insertion framework organized as Plan, Decouple, and Assimilate. Planning determines scene-compatible poses through an affordance field that combines geometric clearance with structure- and scale-aware cues. Decoupling introduces a pose-conditioned background that provides precise spatial guidance together with target-scene context, allowing the reference object to preserve its identity while adapting to the target observation. This construction also naturally provides pixel-level masks for segmentation augmentation. Assimilation further improves local coherence by aligning multi-scale texture distributions through optimal transport. On the optical benchmark, PDA++ achieves a whole-image FID of 6.28 and improves average few-shot recognition mAP50 by 17.69 points, corresponding to a 28.8% relative gain over the real-data baseline. On SAR imagery, it improves ship detection by 4.10 mAP50 points and remains effective under cross-dataset transfer and amorphous-target insertion. Code is available at https://github.com/lisheyu972/PDA_PLUS.
• Abstract（参考訳）: リモートセンシング認識は、希少なターゲットや高価なアノテーションの少ない観察によって制約されることが多く、現実的な合成拡張は、特に少数のショットや長い尾のシナリオで有用である。 オブジェクト挿入は、真の背景のシーンを保存しながら、ターゲットの多様性を高める効果的な方法を提供するが、オーバーヘッド画像の現実的な挿入は、生成したターゲットを周囲の環境に整合的に適応させる必要がある。 この目的のために,Plan,Decouple,Assimilateとして構成された環境対応オブジェクト挿入フレームワークであるPDA++を提案する。 プランニングは、幾何学的クリアランスと構造とスケールアウェアのキューを組み合わせて、シーン互換のポーズを決定する。 デカップリングは、ターゲット・シーンのコンテキストとともに正確な空間的ガイダンスを提供するポーズ条件付き背景を導入し、参照対象がターゲットの観測に適応しながらそのアイデンティティを保存できるようにする。 この構造は自然にセグメンテーション増強のためのピクセルレベルのマスクも提供する。 同化は、最適輸送により、多スケールのテクスチャ分布を整列させることにより、局所的コヒーレンスをさらに改善する。 光学ベンチマークでは、PDA++は画像全体のFIDが6.28で、実際のデータベースラインに対する28.8%の相対的なゲインに対応する平均的なショット認識のmAP50を17.69ポイント改善している。 SAR画像では、船体検出を4.10 mAP50ポイント改善し、クロスデータセット転送やアモルファス・ターゲット挿入の下でも有効である。 コードはhttps://github.com/lisheyu972/PDA_PLUSで公開されている。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Context-Aware Aerial Object Detection: Leveraging Inter-Object and Background Relationships [10.416444779297148]
  現代のほとんどのオブジェクト検出パイプラインでは、特徴マップから独立して検出提案が処理される。 本稿では,トランスフォーマーモデルとコントラスト言語-画像事前学習機能の強みを利用するフレームワークを提案する。 DOTA-v1.0 では 1.37 mAP$_50$,DOTA-v1.5 では 5.30 mAP$_50$,DOTA-v2.0 では 2.30 mAP$_50$,DI では 3.23 mAP$_50$ が増加し,新たな最先端結果が得られた。
  論文  参考訳（メタデータ） (2024-04-05T14:39:13Z)
• Spatial Structure Constraints for Weakly Supervised Semantic Segmentation [100.0316479167605]
  クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。 注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い教師付きセマンティックセマンティックセグメンテーションのための空間構造制約(SSC)を提案する。 提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
  論文  参考訳（メタデータ） (2024-01-20T05:25:25Z)
• Scale Optimization Using Evolutionary Reinforcement Learning for Object Detection on Drone Imagery [17.26524675722299]
  本稿では, 粗い物体検出フレームワークに組み込まれた進化的強化学習エージェントを提案し, 画像中の物体のより効率的な検出のために, スケールを最適化する。 スケール最適化の指針として, 局所化精度, 予測ラベルの精度, 近傍のパッチ間のスケール一貫性のセットを設計する。
  論文  参考訳（メタデータ） (2023-12-23T10:49:55Z)
• Transferring to Real-World Layouts: A Depth-aware Framework for Scene Adaptation [34.786268652516355]
  教師なしドメイン適応(UDA)によるシーンセグメンテーションは、ソース合成データから取得した知識を現実のターゲットデータに転送することを可能にする。 深度推定を明示的に活用してカテゴリを混合し,2つの補完的タスク,すなわちセグメンテーションと深度学習を促進するための奥行き認識フレームワークを提案する。 特に、このフレームワークには、DCF(Depth-guided Contextual Filter)フォーンデータ拡張と、コンテキスト学習のためのクロスタスクエンコーダが含まれている。
  論文  参考訳（メタデータ） (2023-11-21T15:39:21Z)
• LAW-Diffusion: Complex Scene Generation by Diffusion with Layouts [107.11267074981905]
  LAW拡散(LAW-Diffusion)と呼ばれる意味制御可能なレイアウト・AWare拡散モデルを提案する。 LAW拡散は、特にコヒーレントな対象関係を持つ最先端の生成性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-08-13T08:06:18Z)
• Semi-Supervised Domain Adaptation via Adaptive and Progressive Feature Alignment [32.77436219094282]
  SSDASはラベル付きターゲットサンプルを、ラベル付きソースサンプルとラベルなしターゲットサンプルの間に適応的かつプログレッシブな特徴アライメントのためのアンカーとして採用している。 さらに、反復学習過程において、異種音源の特徴を高信頼目標特徴に置き換える。 広範な実験により、提案されたSSDASは、多くのベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2021-06-05T09:12:50Z)
• Domain Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [84.34227665232281]
  セマンティックセグメンテーションのためのドメイン適応は、ソースとターゲットドメイン間の分散シフトの存在下でモデルのパフォーマンスを向上させることを目的とする。 ドメイン間のギャップを埋めるために、両ドメインで利用可能な自己教師付き深さ推定からのガイダンスを活用します。 提案手法のベンチマークタスクSYNTHIA-to-CityscapesとGTA-to-Cityscapesの有効性を実証する。
  論文  参考訳（メタデータ） (2021-04-28T07:47:36Z)
• SIRI: Spatial Relation Induced Network For Spatial Description Resolution [64.38872296406211]
  言語誘導型ローカライゼーションのための新しい関係誘導型ネットワーク(SIRI)を提案する。 提案手法は,80ピクセルの半径で測定した精度で,最先端手法よりも約24%優れていた。 提案手法は,Touchdownと同じ設定で収集した拡張データセットをうまく一般化する。
  論文  参考訳（メタデータ） (2020-10-27T14:04:05Z)

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。