論文の概要: ElasticFormer: Detecting Objects in HRW Shots via Elastic Computing Vision Transformer

• arxiv url: http://arxiv.org/abs/2610.39946v1
• Date: Thu, 29 Oct 2026 12:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:16:21.320009
• Title: ElasticFormer: Detecting Objects in HRW Shots via Elastic Computing Vision Transformer
• Title（参考訳）: ElasticFormer:Elastic Computing Vision TransformerによるHRWショットのオブジェクト検出
• Abstract要約: 前景、ギガピクセルレベルの解像度、および様々なターゲット数が非常に広いため、従来のクローズアップ検出器は不正確で遅くなっている。 我々は,フォアグラウンド比に基づいて計算資源を動的に割り当てるスパースバックボーンであるElasticFormerを紹介した。 PANDA gigapixelベンチマークの実験では、ElasticFormerはバックボーンFLOPを80%削減し、AP50の大幅な改善を実現している。
• 参考スコア（独自算出の注目度）: 41.470834333954926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in gigapixel-level imaging have brought High-Resolution Wide shots to the forefront of research. However, these images present significant challenges: extreme sparsity of foreground, gigapixel-level resolutions and diverse target counts. This makes traditional close-up detectors inaccurate and slow as they are overwhelmed by the background. Although previous research has explored sparse backbones, their fixed sparsity patterns lack the adaptability required to handle diverse target numbers. To address this, we introduce ElasticFormer, a sparse backbone that dynamically allocates computational resources based on foreground proportion. After scoring windows based on variance, proposed ElasticSelector module will predict the foreground proportion for top-k selection. The mechanism guides the model to select target-containing windows, scaling resources in areas where objects are clustered. We introduce a novel loss function combined with the 3-phase training strategy for ElasticSelector, allowing it to function properly when bounding box annotations are missing. A WSOD study is carried on PASCAL VOC 2007 to evaluate its extensibility. Further, ElasticNet is created to verify its backbone-agnostic nature. In experiments on the PANDA gigapixel benchmark, ElasticFormer reduces backbone FLOPs by 80% while achieving a significant improvement in AP50 when compared to fixed-ratio sparse methods.
• Abstract（参考訳）: ギガピクセルレベルのイメージングの最近の進歩は、研究の最前線に高解像度のワイドショットをもたらした。 しかし、これらの画像は、フォアグラウンドの極端に広い範囲、ギガピクセルレベルの解像度、多様なターゲット数といった重要な課題を呈している。 これにより、従来のクローズアップ検出器は、背景に圧倒され、不正確で遅くなる。 以前の研究では、スパースバックボーンを探索したが、それらの固定された間隔パターンは、多様なターゲット数を扱うのに必要な適応性に欠けていた。 この問題に対処するために,前景比に基づいて動的に計算資源を割り当てるスパースバックボーンであるElasticFormerを紹介した。 分散に基づいてウィンドウをスコアリングした後、提案されたElasticSelectorモジュールはトップk選択のフォアグラウンド比を予測する。 このメカニズムは、ターゲットを含むウィンドウを選択し、オブジェクトがクラスタ化された領域のリソースをスケーリングする。 本稿では,ElasticSelectorの3段階学習戦略と組み合わせて,ボックスアノテーションの欠落時に適切に機能する新たな損失関数を提案する。 PASCAL VOC 2007において,WSODによる拡張性の評価を行った。 さらにElasticNetは、バックボーンに依存しない性質を検証するために作成されている。 PANDA gigapixelベンチマークの実験では、ElasticFormerは、固定比スパースメソッドと比較して、バックボーンFLOPを80%削減しつつ、AP50の大幅な改善を実現している。

関連論文リスト

• FSOD-VFM: Few-Shot Object Detection with Vision Foundation Models and Graph Diffusion [18.996022873991596]
  FSOD-VFM:Few-Shot Object Detector with Vision Foundation Modelsについて述べる。 FSOD-VFMは、カテゴリに依存しない境界ボックス生成のためのユニバーサルプロポーザルネットワーク(UPN)、正確なマスク抽出のためのSAM2、新しいオブジェクトカテゴリに効率的に適応するためのDINOv2特徴の3つの主要なコンポーネントを統合している。 提案手法では,予測境界ボックスを有向グラフのノードとしてモデル化し,ネットワーク全体の信頼度を伝搬するグラフ拡散操作を適用した。
  論文  参考訳（メタデータ） (2026-02-03T05:45:22Z)
• Scale-Invariant Object Detection by Adaptive Convolution with Unified Global-Local Context [3.061662434597098]
  本稿では,効率的なDetモデルに基づくSAC-Net(Switchable Atrous Convolutional Network)を用いたオブジェクト検出モデルを提案する。 提案したSAC-Netは,マルチスケールオブジェクト検出タスクの性能向上を実現するために,低レベル機能と高レベル機能の両方の利点をカプセル化している。 ベンチマークデータセットを用いた実験により,提案したSAC-Netは,精度の点で最先端モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-09-17T10:08:37Z)
• SIGMA:Sinkhorn-Guided Masked Video Modeling [69.31715194419091]
  SIGMA (Sinkhorn-guided Masked Video Modelling) は、新しいビデオ事前学習法である。 時空管の特徴を,限られた数の学習可能なクラスタに均等に分散する。 10個のデータセットによる実験結果から,より高性能で時間的,堅牢な映像表現を学習する上で,SIGMAの有効性が検証された。
  論文  参考訳（メタデータ） (2024-07-22T08:04:09Z)
• IEBins: Iterative Elastic Bins for Monocular Depth Estimation [25.71386321706134]
  分類回帰に基づくMDEのためのイテレーティブ弾性ビン(IEBins)の概念を提案する。 提案する IEBins は,探索範囲を段階的に最適化することで,高品質な深度を探索することを目的としている。 我々は,機能抽出器とGRUアーキテクチャの恩恵を受ける反復的フレームワークからなる専用フレームワークを開発する。
  論文  参考訳（メタデータ） (2023-09-25T13:48:39Z)
• PoseMatcher: One-shot 6D Object Pose Estimation by Deep Feature Matching [51.142988196855484]
  本稿では,PoseMatcherを提案する。 3ビューシステムに基づくオブジェクトと画像のマッチングのための新しいトレーニングパイプラインを作成します。 PoseMatcherは、画像とポイントクラウドの異なる入力モダリティに対応できるように、IO-Layerを導入します。
  論文  参考訳（メタデータ） (2023-04-03T21:14:59Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)
• Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild [104.61677518999976]
  顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。 提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。 PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:23:42Z)

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。