İçeriğe geç
CANLI 03:24 OpenAI raporu: Ajanlar 2-4 saatlik araştırma görevlerinin neredeyse yarısını tek başına bitiriyor 03:24 Google, Genie 4 dünya modelini Project Genie ile Ultra abonelerine açtı 03:23 NGINX’te HTTP/2 kaynaklı iki kritik uzaktan kod çalıştırma açığı: Güncelleme şart 03:23 Nvidia Çin’e H200 satışını durdurdu, yönetim kurulunda ulusal güvenlik komitesi kurdu 03:23 Anthropic halka arz fiyatını 83 dolar olarak belirledi: Hisseler ANT koduyla Nasdaq’ta Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 19.11.2026
Bülten

arXiv 2611.24904 cs.CV

ShadowTransfer: Tepegöz Gölge Tespiti için Coğrafi Transfer Karşılaştırması

Özgün başlık ShadowTransfer: A Geographic Transfer Benchmark for Overhead Shadow Detection

  • Shagun Mittal
  • Raymond A. Yeh
  • Satish Ukkusuri
ai/muhabir · özet metinden derlendi

Havai görüntüler, bir coğrafi bölgede rutin olarak eğitilen ve başka bir coğrafi bölgede konuşlandırılan yoğun tahmin hatlarını besliyor, ancak gölge tespit modellerinin bölgeler arasında nasıl aktarıldığını ölçen bir kıyaslama yok. Mevcut tepegöz gölge veri kümeleri ya bir coğrafi aktarım protokolüne sahip değildir ya da otomatik olarak oluşturulan etiketlere dayanır. Üç ABD şehrinde iki yerel çözünürlükte, insanlar tarafından doğrulanmış 4.500 gölge maskesinden oluşan ve bir şehri dışarıda bırakma değerlendirme protokolüyle eşleştirilen bir kıyaslama olan ShadowTransfer'ı tanıtıyoruz.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Havai görüntüler, bir coğrafi bölgede rutin olarak eğitilen ve başka bir coğrafi bölgede konuşlandırılan yoğun tahmin hatlarını besliyor, ancak gölge tespit modellerinin bölgeler arasında nasıl aktarıldığını ölçen bir kıyaslama yok. Mevcut tepegöz gölge veri kümeleri ya bir coğrafi aktarım protokolüne sahip değildir ya da otomatik olarak oluşturulan etiketlere dayanır. Üç ABD şehrinde iki yerel çözünürlükte, insanlar tarafından doğrulanmış 4.500 gölge maskesinden oluşan ve bir şehri dışarıda bırakma değerlendirme protokolüyle eşleştirilen bir kıyaslama olan ShadowTransfer'ı tanıtıyoruz. Vanilya eğitimi altında, test şehrini sürdürmek dört mimaride 3,5 ila 7,8 milyon IoU'ya mal olur, eğitim seti 225'ten 900 görüntüye çıktığında ve sekiz uyarlama yönteminden altısı ortalama olarak standart eğitimden daha fazla kötüleştiğinde aradaki fark önemli olmaya devam eder. Aktarımın nerede ve nasıl bozulduğunu teşhis eden üç problu bir çerçeve öneriyoruz: başarısızlık, piksel-histogram eşleşmesinin erişemeyeceği özellik alanında çalışır, arka plan güveni bozulmadan kalırken gölge piksellerde bir güven çöküşü olarak ortaya çıkar ve modele bağlı olarak farklı mimari bileşenlerin yeniden eğitilmesiyle kurtarılabilir: bazıları için kodlayıcı, diğerleri için kod çözücü. Bu bulgular INRIA bina ayak izlerinde de tekrarlanıyor ve bunların gölgelerin ötesindeki coğrafi aktarımı tanımladığını gösteriyor. Teşhisin rehberliğinde, bulgu başına bir bileşen içeren bir eklenti modülü olan Spektral Bilgi Darboğazı (SIB) oluşturuyoruz. 9 (mimari, uzak şehir) hücre arasında SIB, değerlendirdiğimiz on yöntemin şehir içi üst sınırıyla FDA düzeyinde en küçük ortalama boşluğa sahiptir (6,42 mIoU). Karşılaştırmalı değerlendirme, LOCO protokolü, kod ve eğitimli modeller, genel gider yoğun tahminde coğrafi aktarımın tekrarlanabilir değerlendirmesini desteklemek için yayımlanmıştır.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Overhead aerial imagery feeds dense-prediction pipelines that are routinely trained in one geographic region and deployed in another, yet no benchmark measures how shadow detection models transfer across regions. Existing overhead shadow datasets either lack a geographic transfer protocol or rely on automatically generated labels. We introduce ShadowTransfer, a benchmark of 4,500 human-verified shadow masks across three U.S. cities at two native resolutions, paired with a leave-one-city-out evaluation protocol. Under vanilla training, holding out the test city costs 3.5 to 7.8 mIoU across four architectures, the gap remains significant when the training set grows from 225 to 900 images, and six of eight adaptation methods degrade more than vanilla training on average. We propose a three-probe framework that diagnoses where and how the transfer breaks: the failure operates in feature space, beyond the reach of pixel-histogram matching, shows up as a confidence collapse on shadow pixels while background confidence stays intact, and is recoverable by retraining different architectural components depending on the model: encoder for some, decoder for others. These findings replicate on INRIA building footprints, suggesting they describe geographic transfer beyond shadows. Guided by the diagnosis, we build Spectral Information Bottleneck (SIB), a plug-in module with one component per finding. Across the 9 (architecture, held-out city) cells, SIB has the smallest mean gap to the within-city upper bound of the ten methods we evaluate (6.42 mIoU), level with FDA. The benchmark, LOCO protocol, code, and trained models are released to support reproducible evaluation of geographic transfer in overhead dense prediction.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{mittal2026shadowtransfer,
  title   = {ShadowTransfer: A Geographic Transfer Benchmark for Overhead Shadow Detection},
  author  = {Shagun Mittal and Raymond A. Yeh and Satish Ukkusuri},
  journal = {arXiv preprint arXiv:2611.24904},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.24904}
}
APA
Mittal, S., Yeh, R. A., & Ukkusuri, S. (2026). ShadowTransfer: Tepegöz Gölge Tespiti için Coğrafi Transfer Karşılaştırması. arXiv. https://arxiv.org/abs/2611.24904
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.