論文の概要: NIF: Normal-Intersection Fields for Geometrically Consistent Oriented Box Refinement
- arxiv url: http://arxiv.org/abs/2610.39715v1
- Date: Thu, 29 Oct 2026 09:47:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:48:16.836016
- Title: NIF: Normal-Intersection Fields for Geometrically Consistent Oriented Box Refinement
- Title（参考訳）: NIF: 幾何学的一貫したボックス微細化のための正規断面積
- Abstract要約: 我々は、追加のボックス回帰器を通常の断面積に置き換える改良モジュールであるNIFを提案する。
粗い向きのボックスが与えられたとき、モジュールは20個の境界アンカーで局所的な特徴を観察し、その外側の正常に沿って符号付き距離を予測する。
NIFはDIOR-Rで68.19%に達し、マッチングされたFAIR1M/DIOR-Rベースラインを0.30/0.68%改善し、HRSC平均IoUを0.867から0.888に引き上げ、フィールドエラーを24.5%削減した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate oriented detection requires a box to follow object boundaries, yet a standard regression head predicts its center, size, and angle from a pooled region representation. Small errors in these coupled parameters can displace long boundaries even when the object is correctly classified. We propose NIF, a refinement module that replaces an additional box regressor with normal-intersection fields. Given a coarse oriented box, the module observes local features at 20 boundary anchors and predicts signed distances along their outward normals. These observations admit an exact affine representation in five geometric variables. A differentiable, reliability-weighted least-squares fit projects the predicted field onto this representation and analytically recovers a refined rectangle. Tangential pooling preserves the normal position profile, while shared projection limits the added network to 0.132M parameters. On DOTA-v1.0, NIF reaches 78.00%, 79.11%, and 79.02% mAP with Oriented R-CNN, LSKNet-S, and Strip R-CNN, respectively, achieving the highest single-scale SOTA result in Table 1. It reaches 68.19% on DIOR-R, improves matched FAIR1M/DIOR-R baselines by 0.30/0.68%, and raises HRSC mean IoU from 0.867 to 0.888 while reducing field error by 24.5%. Across four different detector frameworks with the detectors frozen, relative AP75 improves by 1.57-4.18% and COCO-style mAP by 0.42-3.74%, without detector retraining. Code is available at https://github.com/zsk466991125-collab/Normal-Intersection-Fields.
- Abstract（参考訳）: 正確な指向検出には、オブジェクト境界に従うためのボックスが必要であるが、標準的な回帰ヘッドは、プールされた領域表現からその中心、サイズ、角度を予測する。
これらの結合パラメータの小さなエラーは、オブジェクトが正しく分類された場合でも、長い境界を逸脱することができる。
我々は、追加のボックス回帰器を通常の断面積に置き換える改良モジュールであるNIFを提案する。
粗い向きのボックスが与えられたとき、モジュールは20個の境界アンカーで局所的な特徴を観察し、その外側の正常に沿って符号付き距離を予測する。
これらの観測は、5つの幾何学的変数の正確なアフィン表現を含む。
微分可能で信頼性に富んだ最小二乗は、予測された場をこの表現に投影し、洗練された矩形を解析的に復元する。
タンジェンシャルプーリングは通常の位置プロファイルを保持し、共有プロジェクションは追加のネットワークを0.132Mパラメータに制限する。
DOTA-v1.0 では NIF が 78.00%,79.11%,79.02% の mAP に達し,表 1 では LSKNet-S と Strip R-CNN が最高規模の SOTA を達成している。
DIOR-Rでは68.19%に達し、FAIR1M/DIOR-Rベースラインを0.30/0.68%改善し、HRSC平均IoUを0.867から0.888に引き上げ、フィールドエラーを24.5%削減した。
検出器を凍結させた4つの異なる検出器フレームワークの中で、相対AP75は1.57-4.18%改善し、COCOスタイルのmAPは0.42-3.74%改善した。
コードはhttps://github.com/zsk466991125-collab/Normal-Intersection-Fieldsで入手できる。
関連論文リスト
- Holomorphic Cauchy Networks for Efficient Stationary Tail Computation in High-Dimensional Reflected Brownian Motions [1.2973070941583096]
NN4MGFの共有協調型基本結合関係フレームワーク上に構築し、同型コーシーネットワーク(HCN)を開発する。
HCNは無極領域の正則性を強制し、サンプル化されたコーシー・リーマンの罰則を除去する。
HCNは高次元の実行毎に64万のサンプルベース入力を持つため、ラップトップGPUでは50次元に達し、しきい値1から8までの相対誤差は6.367%である。
論文 参考訳（メタデータ） (2026-10-27T03:05:32Z) - H2CE: Modeling Geo-Semantic Interactions for POI Reranking with Heterogeneous Two-Stage Cross-Encoders [50.334243169621175]
ローカル検索におけるPOI(Point-of-Interest)の再ランクは、クエリ条件付きトレードオフをモデル化する必要がある。
遅延バウンドPOIリグレードのための異種二段クロスエンコーダH2CEを提案する。
論文 参考訳（メタデータ） (2026-10-08T05:40:08Z) - Projective Normal Fields: A Convex Optimization Method for Constructing Smooth UDFs [68.08537394769392]
本稿では,原点雲からの距離場(UDF)の滑らかな近似を構築するためのフレームワークを提案する。
局所幾何推定をスカラーフィールド構造から分離することにより、PNFは非微分可能なUDFを直接適合させない。
論文 参考訳（メタデータ） (2026-09-28T09:55:50Z) - GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。
70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
論文 参考訳（メタデータ） (2026-08-27T19:19:07Z) - Fixed and Adaptive Topological DeepONets: Functional Measurements on Hausdorff Locally Convex Spaces [4.9511796408221285]
我々はトポロジカルなDeepONetフレームワーク上に構築し、固定型・適応型機能計測システムを開発した。
我々は、測定、出力基底、ニューラル近似誤差を分離した離散的な誤差分解を導出する。
固定時間Navier-Stokes問題に対して、Adaptive Topological DeepONetは最も正確なDeepONetベースのモデルである。
論文 参考訳（メタデータ） (2026-08-05T20:23:32Z) - DG-FedReuse: Proxy-Gradient-Gated Cached-Update Reuse with Matched Sparse Uplink Accounting [0.0]
DG-FedReuseは、選択したクライアントがキャッシュされた更新にコントリビュートできるようにするシミュレータレベルのメカニズムである。
実験には、6つのイメージ分類データセット、50の仮想クライアント、Dirichletラベルクライアント、3つのシードが含まれている。
DG-FedReuseは83.36-85.42%のモデルで更新データフィールドのアップリンクを節約したが、Top-K FedAvgは76.88%だった。
論文 参考訳（メタデータ） (2026-08-05T19:30:04Z) - GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。
我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。
Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
論文 参考訳（メタデータ） (2026-07-28T05:59:23Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization [6.908972852063454]
時間的行動の局所化は、正確な境界検出と計算効率の両方を必要とする。
我々は、境界距離回帰(BDR)と適応時間制限(ATR)という2つの補完的なイノベーションを通じてこの問題に対処する。
THUMOS14では、ActionFormer++ (55.7% mAP@0.7 at 235G) よりも36%少ないFLOPを用いて、151GのFLOPで56.5% mAP@0.7を達成する。
論文 参考訳（メタデータ） (2025-11-06T00:41:54Z) - Training Compact CNNs for Image Classification using Dynamic-coded
Filter Fusion [139.71852076031962]
動的符号化フィルタ融合(DCFF)と呼ばれる新しいフィルタプルーニング法を提案する。
我々は、効率的な画像分類のために、計算経済的および正規化のない方法でコンパクトなCNNを導出する。
我々のDCFFは、72.77MのFLOPと1.06Mのパラメータしか持たないコンパクトなVGGNet-16を導出し、トップ1の精度は93.47%に達した。
論文 参考訳（メタデータ） (2021-07-14T18:07:38Z)
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。