論文の概要: On Learning Vehicle Detection in Satellite Video
- arxiv url: http://arxiv.org/abs/2001.10900v1
- Date: Wed, 29 Jan 2020 15:35:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 21:14:00.252379
- Title: On Learning Vehicle Detection in Satellite Video
- Title（参考訳）: 衛星映像における学習車両検出について
- Authors: Roman Pflugfelder, Axel Weissenfeld, Julian Wagner
- Abstract要約: 空中および衛星画像における車両検出は、リモートセンシング画像の全体像と比較すると、ピクセルの出現が小さいため、依然として困難である。
本研究は,衛星映像における広域動画像(WAMI)の深層学習への応用を提案する。
- 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: Vehicle detection in aerial and satellite images is still challenging due to
their tiny appearance in pixels compared to the overall size of remote sensing
imagery. Classical methods of object detection very often fail in this scenario
due to violation of implicit assumptions made such as rich texture, small to
moderate ratios between image size and object size. Satellite video is a very
new modality which introduces temporal consistency as inductive bias.
Approaches for vehicle detection in satellite video use either background
subtraction, frame differencing or subspace methods showing moderate
performance (0.26 - 0.82 $F_1$ score). This work proposes to apply recent work
on deep learning for wide-area motion imagery (WAMI) on satellite video. We
show in a first approach comparable results (0.84 $F_1$) on Planet's SkySat-1
LasVegas video with room for further improvement.
- Abstract（参考訳）: 航空画像や衛星画像における車両検出は、リモートセンシング画像の全体サイズに比べて画素数が少ないため、依然として困難である。
オブジェクト検出の古典的な方法は、リッチテクスチャ、画像サイズとオブジェクトサイズの間の小さいから中程度の比率といった暗黙の仮定に違反するため、このシナリオで失敗することが多い。
衛星ビデオは、時間的一貫性を誘導バイアスとして導入する非常に新しいモダリティである。
衛星ビデオにおける車両検出へのアプローチは、背景の減算、フレーム差分法、または中程度の性能を示す部分空間法(0.26 - 0.82$F_1$ score)を使用する。
本研究は,衛星映像における広域動画像(WAMI)の深層学習への応用を提案する。
我々は、PlanetのSkySat-1 LasVegasビデオに比較した最初のアプローチ(0.84$F_1$)を示す。
関連論文リスト
- Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - 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) - DiffusionSat: A Generative Foundation Model for Satellite Imagery [63.2807119794691]
現在、DiffusionSatは、現在利用可能な大規模な高解像度リモートセンシングデータセットのコレクションに基づいてトレーニングされている、最大の生成基盤モデルである。
提案手法は, リアルタイムなサンプルを作成し, 時間生成, マルチスペクトル入力の超解像, インペイントなどの複数の生成課題を解くのに利用できる。
論文 参考訳（メタデータ） (2023-12-06T16:53:17Z) - CVLNet: Cross-View Semantic Correspondence Learning for Video-based
Camera Localization [89.69214577915959]
本稿では,クロスビューカメラのローカライゼーション問題に対処する。
本稿では、類似性マッチングの前に、問合せカメラの衛星画像に対する相対変位を推定する。
実験は、単一の画像に基づく位置決めよりもビデオベースの位置決めの有効性を実証した。
論文 参考訳（メタデータ） (2022-08-07T07:35:17Z) - Satellite Image Based Cross-view Localization for Autonomous Vehicle [59.72040418584396]
本稿では,市販の高精細衛星画像を使用可能な地図として利用することにより,良好な精度でクロスビュー車両のローカライゼーションを実現することができることを示す。
本手法はKITTIとFord Multi-AVの季節データセットを地上ビューとして,Google Mapsを衛星ビューとして検証した。
論文 参考訳（メタデータ） (2022-07-27T13:16:39Z) - Autonomous Satellite Detection and Tracking using Optical Flow [0.0]
画像中の衛星検出と追跡の自律的手法を光学フローを用いて実装する。
光の流れは、一連の宇宙画像において検出された物体の速度を推定するために用いられる。
検出アルゴリズムは、シミュレートされた恒星画像と衛星の地上画像の両方を用いて実施される。
論文 参考訳（メタデータ） (2022-04-14T15:23:27Z) - Deep Vehicle Detection in Satellite Video [0.0]
車両検出は、車両(4ピクセル)の微妙さと背景のEOとの類似性のため、単一の衛星画像ではおそらく不可能である。
プール層を無視し、漏れやすいReLUを使用する、コンパクトな3倍の3ドルニューラルネットワークの新しいモデルが提案されている。
2つの新しい注釈付き衛星ビデオの実証的な結果により、このアプローチが車両検出に適用可能であることが再確認された。
論文 参考訳（メタデータ） (2022-04-14T08:54:44Z) - Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization
Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。
鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。
標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文 参考訳（メタデータ） (2022-04-10T19:16:58Z) - Rapid Detection of Aircrafts in Satellite Imagery based on Deep Neural
Networks [2.7716102039510564]
本論文では,深層学習技術を用いた衛星画像の航空機検出に焦点をあてる。
本稿では,航空機検出にYOLO深層学習フレームワークを用いた。
改良されたモデルは小さい、回転する、および密集した目的がリアルタイムの条件を満たす異なった未知のイメージのよい正確さそして性能を示します。
論文 参考訳（メタデータ） (2021-04-21T18:13:16Z) - Vehicle Position Estimation with Aerial Imagery from Unmanned Aerial
Vehicles [4.555256739812733]
この研究は、航空画像から正確な車両の位置を推定する過程を記述する。
この目的のために最先端のディープニューラルネットワークMask-RCNNが適用される。
平均20cmの精度は、飛行高度100m、フルHD解像度、フレーム単位の検出で達成できる。
論文 参考訳（メタデータ） (2020-04-17T12:29:40Z)
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。