論文の概要: Spend the Bits Where the Tiny Objects Are: Rate-Utility Region Coding for Aerial Detection

• arxiv url: http://arxiv.org/abs/2611.01573v1
• Date: Sun, 01 Nov 2026 04:52:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:17:21.656491
• Title: Spend the Bits Where the Tiny Objects Are: Rate-Utility Region Coding for Aerial Detection
• Title（参考訳）: 細い物体のあるビットを分割する:空気検出のためのレートユーティリティ領域符号化
• Abstract要約: 帯域制限の空中カメラは、リモート検知器がその中の多数の小さな物体を見つける前に、画像を圧縮しなければならない。 本稿では,その予測検出ユーティリティが測定したバイトコストを正当化する場合に,その領域を送信するためのレートユーティリティー領域符号化(RUO)を提案する。 RUOはモデルではなく、標準画像を使用し、数ミリ秒でデコードする。
• 参考スコア（独自算出の注目度）: 4.907810679099975
• License:
• Abstract: Bandwidth-limited aerial cameras must compress their images before a remote detector can find the many tiny objects in them. Threshold-based region-of-interest (ROI) coding sends only confidently detected regions, and because tiny objects provide limited visual evidence and often score low, it can discard the regions that contain them. We propose rate-utility region coding (RUO), which sends a region when its expected detection utility justifies its measured byte cost, choosing to drop it or to send it at low or high quality with one multiplier shared across images. RUO trains no model, uses a standard image codec and decodes in a few milliseconds. On all 1,610 VisDrone-DET test-dev images, RUO uses 42.4% fewer bits than a tuned threshold-based ROI coder, averaged over their shared tiny-object average precision (AP) range. RUO also needs fewer bits for tiny objects than the AV1 Image File Format (AVIF), High Efficiency Video Coding (HEVC) and three published learned codecs, and its advantage over threshold-based ROI coding persists when the sender and receiver use different detectors. For AP over all object sizes RUO needs 25.4% more bits than the tuned ROI coder, because its allocation drops large regions first at low rates, so it suits tasks that target tiny objects. We plan to release the code.
• Abstract（参考訳）: 帯域制限の空中カメラは、リモート検知器がその中の多数の小さな物体を見つける前に、画像を圧縮しなければならない。 閾値に基づく関心領域符号化(ROI)は、確実に検出された領域のみを送信し、小さなオブジェクトは限られた視覚的証拠を提供し、しばしば低いスコアを与えるため、それらを含む領域を破棄することができる。 本稿では,画像間で共有される1つの乗算器を用いて,予測された検出ユーティリティが測定したバイトのコストを正当化する領域を送信し,ドロップするか,低品質または高品質で送信するかを提案する。 RUOはモデルを訓練せず、標準のイメージコーデックを使用し、数ミリ秒でデコードする。 1,610のVisDrone-DETテストデブ画像では、RUOは調整されたしきい値ベースのROIコーダよりも42.4%少ないビットを使用する。 AV1イメージファイルフォーマット(AVIF)、高効率ビデオ符号化(HEVC)、および3つの学習コーデックよりも小さなオブジェクトに対してより少ないビットを必要とする。 すべてのオブジェクトサイズに対するAPの場合、RUOは調整済みROIコーダよりも25.4%多くのビットを必要とする。 コードをリリースする予定です。

関連論文リスト

• UHR-DETR: Efficient End-to-End Small Object Detection for Ultra-High-Resolution Remote Sensing Imagery [42.79842185486837]
  UHR(Ultra-High-Resolution)画像は、現代のリモートセンシングにおいて必須であり、前例のない空間的カバレッジを提供する。 UHR画像のための効率的なエンドツーエンドトランス素子であるUHR-DETRを提案する。
  論文  参考訳（メタデータ） (2026-04-23T08:51:24Z)
• SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
  我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。 新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。 大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-08T05:06:14Z)
• Real Time Human Detection by Unmanned Aerial Vehicles [0.0]
  公安のための重要な2つのデータソースは、無人航空機(UAV)によって生成された熱赤外(TIR)リモートセンシング写真とビデオである。 ターゲットの小型化,複雑なシーン情報,視聴可能なビデオに対する低解像度化,ラベル付きデータセットやトレーニングモデルのデジェスなどにより,オブジェクト検出は依然として困難である。 本研究では,写真やビデオのためのUAV TIRオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-06T18:28:01Z)
• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• LOANet: A Lightweight Network Using Object Attention for Extracting Buildings and Roads from UAV Aerial Remote Sensing Images [1.875899282042793]
  UAV空中リモートセンシング画像からの建物・道路用オブジェクト注意(LOANet)を用いた軽量ネットワークを提案する。 提案するネットワークは,Densely Connected Network (LDCNet) をエンコーダとして開発するエンコーダデコーダアーキテクチャを採用している。 提案した基本モデルは、1.4Mパラメータと5.48G浮動小数点演算しか持たないデータセットでよく機能する。
  論文  参考訳（メタデータ） (2022-12-16T14:02:12Z)
• Lightweight Salient Object Detection in Optical Remote Sensing Images via Feature Correlation [93.80710126516405]
  本稿では,これらの問題に対処する軽量ORSI-SODソリューションであるCorrNetを提案する。 それぞれのコンポーネントのパラメータと計算を減らし、CorrNetは4.09Mのパラメータしか持たず、21.09GのFLOPで実行している。 2つの公開データセットの実験結果から、私たちの軽量なCorrNetは、26の最先端メソッドと比較して、競争力やパフォーマンスがさらに向上することが示された。
  論文  参考訳（メタデータ） (2022-01-20T08:28:01Z)
• Remote Sensing Image Super-resolution and Object Detection: Benchmark and State of the Art [7.74389937337756]
  本稿では、リモートセンシング画像の現在のデータセットとオブジェクト検出方法(深層学習に基づく)についてレビューする。 本稿では,大規模かつ一般公開なリモートセンシング超解像オブジェクト検出データセットを提案する。 また、画像超解像に基づく物体検出のベンチマークを行うために、Residual Feature aggregate (MCGR) と補助YOLOv5検出器を備えた新しいマルチクラスサイクル超解像対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-05T04:56:34Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• MRDet: A Multi-Head Network for Accurate Oriented Object Detection in Aerial Images [51.227489316673484]
  水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。 正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。 各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
  論文  参考訳（メタデータ） (2020-12-24T06:36:48Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。