論文の概要: NIF: Normal-Intersection Fields for Geometrically Consistent Oriented Box Refinement

• arxiv url: http://arxiv.org/abs/2610.39715v2
• Date: Tue, 03 Nov 2026 12:14:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:55:18.727002
• 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: NIFは正規切断場を持つボックス幾何学を表す。 20個の境界アンカーで局所的な特徴をサンプリングし、通常の方向に沿って符号付き距離を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate oriented detection requires boxes to follow object boundaries, yet small errors in the coupled center, size, and angle estimates can displace long boundaries even when an object is correctly classified. We propose NIF, a plug-in refinement branch that represents box geometry with normal-intersection fields. Given a coarse oriented box, it samples local features at 20 boundary anchors and predicts signed distances along their outward normals. These observations have an exact affine representation in five rectangle parameters; a differentiable projection uses error-aware reliability weights to recover a geometrically consistent box. Tangential pooling preserves the normal-position profile, while the shared projection adds 0.132M parameters. On DOTA-v1.0, NIF obtains 77.98%, 79.03%, and 79.32% mAP with Oriented R-CNN, Strip R-CNN, and LSKNet-S, respectively; LSKNet-S gives the strongest single-scale result among the compared methods. NIF also reaches 68.19% mAP on DIOR-R and improves matched FAIR1M-v1.0 and DIOR-R baselines by 0.30% and 0.71%, respectively. On HRSC2016, it raises mean IoU from 0.867 to 0.888 while reducing field error by 24.5%. Finally, with four different detector frameworks frozen, NIF improves relative AP75 by 1.55-4.16% and COCO-style mAP by 0.37-3.76%, without detector retraining. Upon acceptance of this paper, we will publicly release the code 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ボックスが必要であるが、結合された中心、サイズ、角度推定における小さなエラーは、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。 NIFは,正規断面積を持つボックス形状を表すプラグイン改良ブランチである。 粗い向きのボックスが与えられたら、20個の境界アンカーで局所的な特徴をサンプリングし、通常の方向に沿って符号付き距離を予測する。 これらの観測は5つの矩形パラメータに正確なアフィン表現を持ち、微分可能射影は、幾何学的に一貫したボックスを復元するためにエラー認識の信頼性重みを使用する。 タンジェンシャルプーリングは正規位置プロファイルを保ち、共有射影は0.132Mパラメータを付加する。 DOTA-v1.0では、指向R-CNN、ストリップR-CNN、LSKNet-Sで77.98%、79.03%、79.32%のmAPが得られる。 NIFはまた、DIOR-R上で68.19%のmAPに達し、一致するFAIR1M-v1.0とDIOR-Rベースラインをそれぞれ0.30%、0.71%改善する。 HRSC2016では、平均IoUが0.867から0.888に上昇し、フィールドエラーが24.5%減少する。 最後に、4つの異なる検出器フレームワークが凍結され、NIFは相対AP75を1.55-4.16%改善し、COCOスタイルのmAPを0.37-3.76%改善した。 この記事を受理すると、https://github.com/zsk466991125-collab/Normal-Intersection-Fields.comでコードを公開します。

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。