論文の概要: Strip Convolution and Direction-Aware Exclusion Loss for Oriented Ship Detection

• arxiv url: http://arxiv.org/abs/2609.27238v1
• Date: Wed, 23 Sep 2026 02:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.82553
• Title: Strip Convolution and Direction-Aware Exclusion Loss for Oriented Ship Detection
• Title（参考訳）: 配向船舶検知のためのストリップ畳み込みと方向認識排他損失
• Abstract要約: 本稿では,2つの相補成分を持つ指向型船舶検出器を提案する。 C3k2_Stripモジュールは直交ストリップの畳み込みを利用して、細長い船体構造をよりよく捉えている。 提案手法は, YOLOv11-OBBベースライン上でmAP50:95を6.32ポイント改善する。
• 参考スコア（独自算出の注目度）: 15.716389229326735
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Oriented ship detection in very high resolution (VHR) remote sensing imagery remains challenging due to elongated hull geometry and dense target distributions in complex port scenes. Existing methods typically address geometric representation and duplicate suppression separately. To jointly tackle these issues, we propose an oriented ship detector with two complementary components. The C3k2_Strip module employs orthogonal strip convolutions to better capture elongated hull structures, while the Class-Aware Direction-Aware Exclusion Loss (CA-DAEL) suppresses redundant predictions using class, direction, and confidence cues. Experiments on HRSC2016 and DIOR-R achieve 78.45% and 53.71% mAP50:95, respectively, with only 2.91M parameters. On HRSC2016, the proposed method improves mAP50:95 by 6.32 percentage points over the YOLOv11-OBB baseline, demonstrating its effectiveness for accurate oriented ship detection.
• Abstract（参考訳）: 超高解像度(VHR)リモートセンシング画像は、船体形状が長く、複雑な港のシーンでターゲット分布が密集しているため、いまだに困難である。 既存の方法は通常、幾何学的表現と重複抑圧を別々に扱う。 これらの課題に共同で対処するために,2つの相補成分を持つ指向型船舶検出器を提案する。 C3k2_Stripモジュールは、直交ストリップの畳み込みを利用して、細長い船体構造をよりよく捉え、CA-DAEL(Class-Aware Direction-Aware Exclusion Loss)は、クラス、方向、信頼性の手がかりを用いた冗長な予測を抑える。 HRSC2016とDIOR-Rの実験ではそれぞれ78.45%と53.71%のmAP50:95が達成され、パラメータはわずか2.91Mである。 HRSC2016 において,提案手法は YOLOv11-OBB ベースライン上でmAP50:95 を6.32 ポイント改善し,船の正確な方向検出の有効性を示した。

関連論文リスト

• DTKDP: A Dual Teacher Knowledge Distillation and Pruning Framework for Lightweight Oriented SAR Ship Detection [6.628457210292399]
  2段階指向型検出器は、合成開口レーダ(SAR)の船舶検出において高い位置決め精度を達成する。 既存の軽量SAR船の探知機は、正確に回転するローカライゼーションのための提案レベルの改良を欠いた一段式フレームワークを使用するのが一般的である。 本稿では,軽量指向型SAR船舶検知のための2つの教師による知識蒸留・プルーニング(DTKDP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-21T16:43:06Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• SARES-DEIM: Sparse Mixture-of-Experts Meets DETR for Robust SAR Ship Detection [13.697178700187402]
  SAR(Synthetic Aperture Radar)画像における船体検出は、固有のコヒーレントスペックルノイズによって根本的に困難である。 本稿では,Detection TRansformer(DETR)パラダイムに基づくドメイン認識検出フレームワークSARES-DEIMを提案する。 我々のアプローチの中心はSARESMoEであり、これはスパースゲーティング機構を利用して特殊周波数やウェーブレットの専門家に特徴を選択的にルーティングするモジュールである。
  論文  参考訳（メタデータ） (2026-04-05T14:15:39Z)
• Denoising-Enhanced YOLO for Robust SAR Ship Detection [9.818917054838964]
  CPN-YOLOは、YOLOv8上に構築された高精度な船舶検出フレームワークである。 本稿では,入力前処理のための学習可能な大規模カーネル記述モジュールを提案する。 第2に,マルチスケールモデリングの強化を目的としたアテンション機構に基づく特徴抽出強化戦略を設計する。
  論文  参考訳（メタデータ） (2026-02-27T09:00:19Z)
• HA-RDet: Hybrid Anchor Rotation Detector for Oriented Object Detection [0.0]
  空中画像における物体の向き検出は、大きさや方向の異なるため、大きな課題となる。 オブジェクト指向物体検出のためのアンカーベースおよびアンカーフリースキームの利点を組み合わせたハイブリッドアンカー回転検出器(HA-RDet)を提案する。 HA-RDetは、DOTA-v1の75.41 mAP、DIOR-Rの65.3 mAP、HRSC2016の90.2 mAPなど、競争力のある精度を実現している。
  論文  参考訳（メタデータ） (2024-12-18T22:26:15Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)

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。