論文の概要: FocusOVD: Geometric and Contextual Feature Refinement for Open-Vocabulary Small-Object Detection

• arxiv url: http://arxiv.org/abs/2610.27479v1
• Date: Tue, 20 Oct 2026 01:45:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.581901
• Title: FocusOVD: Geometric and Contextual Feature Refinement for Open-Vocabulary Small-Object Detection
• Title（参考訳）: FocusOVD:開語彙小物体検出のための幾何学的・文脈的特徴補正
• Abstract要約: FocusOVDは、凍結したVLMバックボーンを変更することなく、小さなオブジェクト表現を強化するオープンボキャブラリオブジェクト検出器である。 COCO-OVDとLVIS-OVDの実験は、FocusOVDの有効性を示した。
• 参考スコア（独自算出の注目度）: 8.10717859402453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-vocabulary object detection aims to detect both seen and unseen categories by leveraging the semantic knowledge of vision-language models. However, existing methods often struggle with small objects due to insufficient preservation of high-resolution details, ineffective information aggregation across feature levels, and limited region-level discriminability. To address these challenges, we propose FocusOVD, an open-vocabulary object detector that enhances small-object representations without modifying the frozen VLM backbone. FocusOVD introduces three complementary components: a Reweighted Cross-scale Feature Fusion module, which learns normalized level-wise weights to adaptively balance shallow appearance details and deep semantic cues during feature pyramid aggregation; a Residual Pinwheel-shaped Gated Convolution module, which strengthens local geometric responses in high-resolution features; and a Residual Convolutional Gated Linear Unit module, which suppresses background-dominated activations and enhances RoI discriminability before prediction. Extensive experiments on COCO-OVD and LVIS-OVD demonstrate the effectiveness of FocusOVD. On COCO-OVD, FocusOVD achieves a novel-category AP of 36.3%, outperforming CORA, UniDetector, and SAMP by 1.3%, 1.1%, and 1.5%, respectively; on LVIS-OVD, it achieves an overall AP of 33.7%, surpassing the strongest competing method by 0.6%. These results demonstrate the strong generalization ability of FocusOVD for open-vocabulary small-object detection.
• Abstract（参考訳）: Open-vocabulary Object Detectionは、視覚言語モデルのセマンティックな知識を活用することで、目に見えないカテゴリーと見えないカテゴリの両方を検出することを目的としている。 しかし、既存の手法は、高解像度の細部保存が不十分なこと、特徴レベルの非効率な情報集約、限定的な地域レベルの識別性のために、しばしば小さなオブジェクトと競合する。 これらの課題に対処するために、凍結したVLMバックボーンを変更することなく、小さなオブジェクト表現を強化するオープン語彙オブジェクト検出器であるFocusOVDを提案する。 FocusOVDは3つの補完的なコンポーネントを導入している。Reweighted Cross-scale Feature Fusionモジュールは、機能ピラミッド凝集時の浅い外観の詳細と深いセマンティックキューを適応的にバランスさせる正規化レベルの重みを学習し、Residual Pinwheel型のGated Convolutionモジュールは高解像度特徴の局所的な幾何学的応答を強化するResidual Convolutional Gated Linear Unitモジュールは、バックグラウンド支配のアクティベーションを抑制し、予測前のRoI識別性を向上するResidual Convolutional Gated Linear Unitモジュールである。 COCO-OVDとLVIS-OVDの大規模な実験により、FocusOVDの有効性が示された。 COCO-OVDでは、FocusOVDが36.3%の新規カテゴリAPを達成し、それぞれCORA、UniDetector、SAMPを1.3%、UniDetector、SAMPを1.5%上回り、LVIS-OVDでは33.7%のAPを達成し、最強の競合手法である0.6%を上回っている。 これらの結果は,開語彙小物体検出のためのFocusOVDの強い一般化能力を示している。

関連論文リスト

• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Generalized Decoupled Learning for Enhancing Open-Vocabulary Dense Perception [71.26728044621458]
  DeCLIPは、CLIPを強化する新しいフレームワークで、自己認識モジュールを分離して、それぞれコンテンツ’と“コンテキスト’の機能を取得する。 2D検出とセグメンテーション、3Dインスタンスのセグメンテーション、ビデオインスタンスのセグメンテーション、6Dオブジェクトのポーズ推定など、幅広いタスクにわたる最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2025-08-15T06:43:51Z)
• Learning to Borrow Features for Improved Detection of Small Objects in Single-Shot Detectors [0.0]
  そこで本研究では,クラス内のより大規模で意味的にリッチなインスタンスから,小さなオブジェクト表現を識別的特徴の「バラバラ化」を可能にする新しいフレームワークを提案する。 本手法は, 複雑な視覚環境下でのロバストな物体検出に有望な方向を提供するため, ベースライン法よりも小さな物体検出精度を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-30T01:18:33Z)
• Comprehensive Multi-Modal Prototypes are Simple and Effective Classifiers for Vast-Vocabulary Object Detection [68.26282316080558]
  現在のオープンワールド検出器は、限られたカテゴリーで訓練されているにもかかわらず、より広い範囲の語彙を認識することができる。 本稿では,多語彙オブジェクト検出のためのプロトタイプ分類器Provaを紹介する。
  論文  参考訳（メタデータ） (2024-12-23T18:57:43Z)
• Efficient Feature Aggregation and Scale-Aware Regression for Monocular 3D Object Detection [40.14197775884804]
  MonoASRHは、効率的なハイブリッド特徴集約モジュール(EH-FAM)と適応スケール対応3D回帰ヘッド(ASRH)で構成される新しいモノクル3D検出フレームワークである。 EH-FAMは、小規模オブジェクトのセマンティックな特徴を抽出するために、グローバルな受容領域を持つマルチヘッドアテンションを用いる。 ASRHは2次元境界ボックス次元を符号化し、EH-FAMで集約された意味的特徴とスケール特徴を融合する。
  論文  参考訳（メタデータ） (2024-11-05T02:33:25Z)
• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• DetCLIPv3: Towards Versatile Generative Open-vocabulary Object Detection [111.68263493302499]
  DetCLIPv3は、オープンボキャブラリオブジェクト検出と階層ラベルの両方で優れた高性能検出器である。 DetCLIPv3は,1)Versatileモデルアーキテクチャ,2)高情報密度データ,3)効率的なトレーニング戦略の3つのコア設計によって特徴付けられる。 DetCLIPv3は、GLIPv2, GroundingDINO, DetCLIPv2をそれぞれ18.0/19.6/6 APで上回り、優れたオープン語彙検出性能を示す。
  論文  参考訳（メタデータ） (2024-04-14T11:01:44Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)

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。