論文の概要: Controllable Multi-Object Insertion for Detection Data Augmentation
- arxiv url: http://arxiv.org/abs/2610.26922v1
- Date: Sat, 17 Oct 2026 08:23:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.397073
- Title: Controllable Multi-Object Insertion for Detection Data Augmentation
- Title（参考訳）: 検出データ拡張のための制御可能な多目的インサーション
- Abstract要約: 制御可能なオブジェクト挿入は、カテゴリ数フィデリティを必要とするオブジェクト検出データセットを拡大するためのターゲットとなるアプローチを提供する。
SceneP2Fという2段階のトレーニング可能なフレームワークを設計し,レイアウトアライン・ジェネレーションとシーンアウェア・ジョイント・プランニングを結びつける。
我々は,SceneP2Fが汎用エディタやオブジェクト挿入メソッドを一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 85.82673425765891
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Controllable object insertion provides a targeted approach to augmenting object detection datasets that require category--count fidelity, annotation alignment, and source-content preservation beyond visual realism. Several approaches have been proposed to address this grand challenge, but most suffer from different constraints in precise category--count requests and visual consistency, limited coordination across categories and instances, and poor localization of multiple objects of specific category and count. We design SceneP2F, a two-stage trainable framework that connects scene-aware joint planning with layout-aligned generation leveraging explicit instance-level layouts. SceneP2F consists of two novel designs. The first is ScenePlan which allocates one class-labeled query per requested instance, jointly predicts scene-compatible object centers, and separately estimates box sizes conditioned on the planned centers and scene context. The second is SceneAlign-Fill which combines geometry- and appearance-aware conditioning, box--class-guided regional attention, and an annotation-region-weighted flow-matching objective to render the planned objects while limiting unintended changes to source content. Extensive experiments on three challenging benchmarks UAVDT, VisDrone, and BDD100K show that SceneP2F outperforms representative general-purpose editors and object-insertion methods consistently, demonstrating the value of coordinating instance-level planning and generation for category-targeted detection augmentation.
- Abstract（参考訳）: 制御可能なオブジェクト挿入は、視覚リアリズムを超えたカテゴリカウントの忠実度、アノテーションのアライメント、ソースコンテンツ保存を必要とするオブジェクト検出データセットを拡大するためのターゲットとなるアプローチを提供する。
この大きな課題に対処するためにいくつかのアプローチが提案されているが、ほとんどの場合、正確なカテゴリ要求の異なる制約、視覚的一貫性、カテゴリとインスタンス間の調整の制限、特定のカテゴリとカウントの複数のオブジェクトのローカライゼーションの低さに悩まされている。
我々はSceneP2Fという2段階のトレーニング可能なフレームワークを設計し、明示的なインスタンスレベルのレイアウトを活用するレイアウトアライメント生成とシーン認識のジョイントプランニングを接続する。
SceneP2Fは2つの新しいデザインで構成されている。
1つはScenePlanで、要求されたインスタンスごとに1つのクラスラベルのクエリを割り当て、共同でシーン互換のオブジェクトセンターを予測し、計画されたセンターとシーンコンテキストで指定されたボックスサイズを別々に推定する。
第2のSceneAlign-Fillは、幾何学的および外見的条件付け、ボックスクラスの誘導された地域的注意、および、意図しないソース内容の変更を制限しながら、計画されたオブジェクトをレンダリングするアノテーション領域重み付きフローマッチングの目的を組み合わせたものだ。
UAVDT、VisDrone、BDD100Kの3つの挑戦的なベンチマークに関する大規模な実験では、SceneP2Fは汎用的なエディタやオブジェクト挿入メソッドを一貫して上回り、カテゴリを対象とする検出拡張の調整と生成の価値を実証している。
関連論文リスト
- DBGroup: Dual-Branch Point Grouping for Weakly Supervised 3D Instance Segmentation [12.044632781901088]
弱教師付き3Dインスタンスセグメンテーションは3Dシーン理解に不可欠である。
既存のメソッドは2つの弱い監視形式に依存している: 1-thing-one-lickアノテーションとバウンディングボックスアノテーションである。
我々は,2段階の弱教師付き3Dインスタンスセグメンテーションフレームワークである textbfDBGroup を提案する。
論文 参考訳（メタデータ） (2025-11-13T06:12:13Z) - Weakly Supervised Open-Vocabulary Object Detection [31.605276665964787]
本稿では、従来のWSODを拡張するために、弱教師付きオープン語彙オブジェクト検出フレームワーク、すなわちWSOVODを提案する。
これを実現するために、データセットレベルの特徴適応、画像レベルの有意なオブジェクトローカライゼーション、地域レベルの視覚言語アライメントを含む3つの重要な戦略を検討する。
論文 参考訳（メタデータ） (2023-12-19T18:59:53Z) - M$^3$Net: Multi-view Encoding, Matching, and Fusion for Few-shot
Fine-grained Action Recognition [80.21796574234287]
M$3$Netは、FS-FGアクション認識のためのマッチングベースのフレームワークである。
textitmulti-view エンコーディング、textitmulti-view matching、textitmulti-view fusion を組み込んで、埋め込みエンコーディング、類似性マッチング、意思決定を容易にする。
説明可能な可視化と実験結果により,M$3$Netの微細な動作の詳細を捉える上での優位性が示された。
論文 参考訳（メタデータ） (2023-08-06T09:15:14Z) - ProposalContrast: Unsupervised Pre-training for LiDAR-based 3D Object
Detection [114.54835359657707]
ProposalContrastは、教師なしのポイントクラウド事前トレーニングフレームワークである。
地域提案と対比することで、堅牢な3D表現を学習する。
ProposalContrastは様々な3D検出器で検証される。
論文 参考訳（メタデータ） (2022-07-26T04:45:49Z) - Target-Aware Object Discovery and Association for Unsupervised Video
Multi-Object Segmentation [79.6596425920849]
本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。
より正確で効率的な時間区分のための新しいアプローチを紹介します。
DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-04-10T14:39:44Z) - I^3Net: Implicit Instance-Invariant Network for Adapting One-Stage
Object Detectors [64.93963042395976]
暗黙のInstance-Invariant Network(I3Net)は、ワンステージ検出器の適応に適しています。
i3netは、異なる層における深い特徴の自然な特徴を利用してインスタンス不変な特徴を暗黙的に学習する。
実験によると、I3Netはベンチマークデータセットの最先端のパフォーマンスを上回っている。
論文 参考訳（メタデータ） (2021-03-25T11:14:36Z) - Object-Centric Image Generation from Layouts [93.10217725729468]
複数のオブジェクトを持つ複雑なシーンを生成するレイアウト・ツー・イメージ生成法を開発した。
本手法は,シーン内のオブジェクト間の空間的関係の表現を学習し,レイアウトの忠実度の向上につながる。
本稿では,Fr'echet Inception Distanceのオブジェクト中心適応であるSceneFIDを紹介する。
論文 参考訳（メタデータ） (2020-03-16T21:40:09Z)
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。