Fugu-MT 論文翻訳(概要): Real-Time target detection in maritime scenarios based on YOLOv3 model

論文の概要: Real-Time target detection in maritime scenarios based on YOLOv3 model

arxiv url: http://arxiv.org/abs/2003.00800v1
Date: Mon, 10 Feb 2020 15:25:19 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 07:20:23.626449
Title: Real-Time target detection in maritime scenarios based on YOLOv3 model
Title（参考訳）: yolov3モデルに基づく海洋シナリオのリアルタイムターゲット検出
Authors: Alessandro Betti, Benedetto Michelozzi, Andrea Bracci and Andrea Masini
Abstract要約: ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
参考スコア（独自算出の注目度）: 65.35132992156942
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work a novel ships dataset is proposed consisting of more than 56k images of marine vessels collected by means of web-scraping and including 12 ship categories. A YOLOv3 single-stage detector based on Keras API is built on top of this dataset. Current results on four categories (cargo ship, naval ship, oil ship and tug ship) show Average Precision up to 96% for Intersection over Union (IoU) of 0.5 and satisfactory detection performances up to IoU of 0.8. A Data Analytics GUI service based on QT framework and Darknet-53 engine is also implemented in order to simplify the deployment process and analyse massive amount of images even for people without Data Science expertise.
Abstract（参考訳）: 本研究では, ウェブスクレイピングにより収集した船舶の56万枚以上の画像と12の船舶カテゴリからなる新しい船舶データセットを提案する。 Keras APIに基づいたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。現在の4つのカテゴリー(貨物船、船舶、石油船、タグ船)の結果、平均精度は0.5のIoU(Intersection over Union)で最大96%、検出性能は0.8のIoU(IoU)である。 QTフレームワークとDarknet-53エンジンに基づくデータ分析GUIサービスも実装されており、デプロイメントプロセスを簡素化し、データサイエンスの専門知識を持たない人でも大量の画像を分析する。

関連論文リスト

Real-time Ship Recognition and Georeferencing for the Improvement of Maritime Situational Awareness [0.0]
この論文は、ディープラーニングとコンピュータビジョンを活用して、リアルタイムの船舶認識とジオレファリングを促進するための調査である。 3,505枚の画像と11,625枚の船体マスクを備えた新しいデータセットであるShipSGが導入された。カスタムリアルタイムセグメンテーションアーキテクチャであるScatYOLOv8+CBAMはNVIDIA Jetson AGX Xavier組み込みシステム用に設計されている。
論文参考訳（メタデータ） (2024-10-07T11:43:42Z)
Low-power Ship Detection in Satellite Images Using Neuromorphic Hardware [1.4330085996657045]
オンボードのデータ処理は、船を識別し、地上に送られるデータの量を削減できる。船上で撮影されたほとんどの画像は水域や陸地のみを含み、エアバス船検出データセットでは船を含む画像の22.1%しか示していない。 1つの複雑なモデルに頼るのではなく、パフォーマンスを最適化する低消費電力2段階システムを構築した。
論文参考訳（メタデータ） (2024-06-17T08:36:12Z)
Deep Transformer Network for Monocular Pose Estimation of Ship-Based UAV [0.23408308015481663]
トランスフォーマーニューラルネットワークモデルは、2Dキーポイントを検出し、各部分の6Dポーズを推定するように訓練される。この手法は、船舶による無人無人無人航空機の着陸と航行に応用できる可能性がある。
論文参考訳（メタデータ） (2024-06-13T16:01:22Z)
Image and AIS Data Fusion Technique for Maritime Computer Vision Applications [1.482087972733629]
本研究では,AIS(Automatic Identification System)データと画像に検出された容器を融合させてデータセットを作成する手法を開発した。提案手法は, 距離と方位を推定することにより, 検出した船舶を対応するAISメッセージに関連付ける。この技術は、水路交通管理、遭遇検知、監視のためのデータセットを作成するのに有用である。
論文参考訳（メタデータ） (2023-12-07T20:54:49Z)
Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文参考訳（メタデータ） (2023-03-03T14:14:08Z)
Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文参考訳（メタデータ） (2023-02-16T13:41:19Z)
Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
論文参考訳（メタデータ） (2022-11-22T15:14:20Z)
KOLOMVERSE: Korea open large-scale image dataset for object detection in the maritime universe [0.5732204366512352]
KRISO による海洋領域における物体検出のための大規模画像データセット KOLOMVERSE を提案する。韓国の21の領海から撮影した5,845時間の動画データを収集した。データセットには3840$times$2160ピクセルのイメージがあり、私たちの知る限り、海洋ドメインにおけるオブジェクト検出のための公開データセットとしては、これまでで最大のものである。
論文参考訳（メタデータ） (2022-06-20T16:45:12Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
論文参考訳（メタデータ） (2022-03-21T05:56:12Z)

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。