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
- 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) - High-order Spatial Interactions Enhanced Lightweight Model for Optical
Remote Sensing Image-based Small Ship Detection [18.60170221864557]
我々は,高次空間相互作用に基づくtextitHSI-ShipDetectionNet という,新しい軽量フレームワークを提案する。
HSI-ShipDetectionNetには、小型船専用の予測ブランチと、複雑さの低減を目的とした軽量なハイブリッドアテンションブロックが含まれている。
本モデルでは,パブリックなKaggle海洋船舶検出データセットを用いて評価を行い,複数の最先端モデルと比較した。
論文 参考訳(メタデータ) (2023-04-07T18:40:49Z) - 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) - Simultaneous Multiple Object Detection and Pose Estimation using 3D
Model Infusion with Monocular Vision [21.710141497071373]
複数物体の検出とポーズ推定はコンピュータビジョンの重要なタスクである。
単眼視と3Dモデルを用いた同時ニューラルモデリングを提案する。
我々の同時多重物体検出・ポース推定ネットワーク(SMOPE-Net)は、エンドツーエンドのトレーニング可能なマルチタスクネットワークである。
論文 参考訳(メタデータ) (2022-11-21T05:18:56Z) - SimuShips -- A High Resolution Simulation Dataset for Ship Detection
with Precise Annotations [0.0]
畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム
SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
論文 参考訳(メタデータ) (2022-09-22T07:33:31Z) - KOLOMVERSE: KRISO open large-scale image dataset for object detection in
the maritime universe [1.076210145983805]
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。
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。