論文の概要: COBICount: Separating Object and Background Responses for Remote Sensing Object Counting Without Training on Target Data

• arxiv url: http://arxiv.org/abs/2609.39366v1
• Date: Wed, 30 Sep 2026 09:22:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.512775
• Title: COBICount: Separating Object and Background Responses for Remote Sensing Object Counting Without Training on Target Data
• Title（参考訳）: COBICount: 目標データによる学習を伴わないリモートセンシング対象数に対する対象値と背景値の分離
• Abstract要約: リモートセンシングオブジェクトカウントは、頭上画像にどれだけの建物、車両、船が現れるかを推定する。 ほとんどの教師付きカウンタは、その合計が対象数を与え、類似のカテゴリ、サイズ、背景を仮定する密度マップを予測する。 リージョン、センサー、カテゴリにまたがってそれらを適用するには、しばしばターゲットデータや、それ以上のトレーニングが必要です。 比較法174.132 において,COBICount は対象領域の平均最小平均絶対誤差 (MAE) を達成する。
• 参考スコア（独自算出の注目度）: 7.079568638797013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing object counting estimates how many buildings, vehicles, or ships appear in overhead images. Most supervised counters predict a density map, whose sum gives the object count, and assume similar categories, sizes, and backgrounds. Applying them across regions, sensors, or categories often requires target data or further training, which may be costly or unavailable. We study source-only counting. Training for the counting task and model selection use one group of images that shares an object category and similar imaging conditions, with one point marking each object. Target images and information remain unavailable until the model is fixed. This reduces data preparation but makes transfer harder. A model trained on one source may place high density values, called responses, on real objects and repeated background structures. Road edges, parking grids, roof boundaries, and water boundaries may then be counted as objects, creating candidate origin ambiguity. COBICount separates response generation, acceptance, and background suppression. Candidate Evidence (CE) generates possible responses. Candidate Acceptance (CA) keeps compact responses centered on objects. Bias Isolation (BI) reduces responses associated with repeated background structures. Their outputs form the final density map. Trained on RSOC Building and evaluated directly on DOTA Large Vehicle, Small Vehicle, and Ship, COBICount achieves the lowest mean absolute error (MAE) averaged over the target domains among the compared methods, 174.132. It uses 5.07 million parameters and 17.41 billion floating point operations for a 512x512 input. COBICount improves transfer without target data or training for each target. The code will be available at: https://github.com/yixuxi22/COBICount.
• Abstract（参考訳）: リモートセンシングオブジェクトカウントは、頭上画像にどれだけの建物、車両、船が現れるかを推定する。 ほとんどの教師付きカウンタは、その合計が対象数を与え、類似のカテゴリ、サイズ、背景を仮定する密度マップを予測する。 リージョン、センサー、カテゴリにまたがってそれらを適用するには、しばしばターゲットデータや、それ以上のトレーニングが必要です。 ソースのみのカウントについて研究する。 カウントタスクとモデル選択のトレーニングでは、対象カテゴリと類似の撮像条件を共有する1つの画像群を使用し、1つのポイントが各オブジェクトをマークする。 ターゲット画像と情報はモデルが修正されるまで利用できない。 これによりデータ準備が削減されるが、転送が難しくなる。 あるソースでトレーニングされたモデルは、応答と呼ばれる高密度の値を実際のオブジェクトや繰り返しの背景構造に配置することができる。 道路の端、駐車用グリッド、屋根の境界線、水の境界線は対象物として数えられることがある。 COBICountは応答生成、受け入れ、バックグラウンド抑圧を分離する。 候補証拠(CE)は、可能な応答を生成する。 候補アクセプタンス(CA)は、オブジェクトを中心としたコンパクトな応答を保持します。 バイアス分離(BI)は、繰り返し発生する背景構造に関連する応答を減少させる。 彼らの出力は最終密度写像を形成する。 RSOCビルディングで訓練され、DOTA大型車、小型車、および船舶で直接評価され、COBICountは比較手法174.132の中で、目標ドメインの平均最低平均絶対誤差(MAE)を達成する。 512x512入力には570万のパラメータと171億の浮動小数点演算を使用する。 COBICountは、ターゲットデータや各ターゲットのトレーニングなしで転送を改善する。 コードは、https://github.com/yixuxi22/COBICount.comから入手できる。

関連論文リスト

• Count Anything [41.17667085289094]
  そこで,モデルが画像と自然言語クエリを入力として取り出し,対象点のインスタンスグラウンドセットを返却する。 CLOCに基づいてテキスト誘導オブジェクトカウントの一般化モデルであるCount Anythingを提案する。
  論文  参考訳（メタデータ） (2026-05-29T05:08:31Z)
• DVMNet++: Rethinking Relative Pose Estimation for Unseen Objects [59.51874686414509]
  既存のアプローチでは、通常、接地構造オブジェクト境界ボックスと、多数の離散仮説を持つ近似3次元回転を用いて3次元翻訳を予測している。 本稿では,1回のパスで相対オブジェクトのポーズを計算するDeep Voxel Matching Network (DVMNet++)を提案する。 提案手法は,最先端手法と比較して計算コストの低い新しいオブジェクトに対して,より正確な相対的ポーズ推定を行う。
  論文  参考訳（メタデータ） (2024-03-20T15:41:32Z)
• Point, Segment and Count: A Generalized Framework for Object Counting [40.192374437785155]
  クラスに依存しないオブジェクトカウントは、例ボックスやクラス名に関して、イメージ内のすべてのオブジェクトをカウントすることを目的としている。 本稿では,検出に基づく少数ショットとゼロショットの両方のオブジェクトカウントのための一般化されたフレームワークを提案する。 PseCoは、少数ショット/ゼロショットオブジェクトカウント/検出の両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-21T06:55:21Z)
• Pose for Everything: Towards Category-Agnostic Pose Estimation [93.07415325374761]
  Category-Agnostic Pose Estimation (CAPE) は、キーポイント定義を持つ少数のサンプルのみを与えられた任意の種類のオブジェクトのポーズを検出することができるポーズ推定モデルを作成することを目的としている。 異なるキーポイント間のインタラクションと、サポートとクエリイメージの関係をキャプチャするために、トランスフォーマーベースのキーポイントインタラクションモジュール(KIM)を提案する。 また、20K以上のインスタンスを含む100のオブジェクトカテゴリの2次元ポーズデータセットであるMP-100データセットを導入し、CAPEアルゴリズムの開発に適している。
  論文  参考訳（メタデータ） (2022-07-21T09:40:54Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• Scale Normalized Image Pyramids with AutoFocus for Object Detection [75.71320993452372]
  スケール正規化画像ピラミッド(SNIP)が生成され、人間の視覚と同様に、異なるスケールで固定されたサイズ範囲内のオブジェクトにのみ参加する。 本研究では,オブジェクトを含む可能性のある固定サイズのサブリージョンのみで動作する,効率的な空間サブサンプリング手法を提案する。 結果のアルゴリズムはAutoFocusと呼ばれ、SNIPを使用する場合の推論では2.5～5倍のスピードアップとなる。
  論文  参考訳（メタデータ） (2021-02-10T18:57:53Z)
• Counting from Sky: A Large-scale Dataset for Remote Sensing Object Counting and A Benchmark Method [52.182698295053264]
  リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。 これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-08-28T03:47:49Z)
• Counting dense objects in remote sensing images [52.182698295053264]
  特定の画像から関心のあるオブジェクトの数を推定するのは、難しいが重要な作業である。 本稿では,リモートセンシング画像から高密度物体を数えることに興味がある。 これらの課題に対処するために,我々はまず,リモートセンシング画像に基づく大規模オブジェクトカウントデータセットを構築した。 次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
  論文  参考訳（メタデータ） (2020-02-14T09:13:54Z)

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。