論文の概要: DEEVA: A Deep Learning and IoT Based Computer Vision System to Address
Safety and Security of Production Sites in Energy Industry
- arxiv url: http://arxiv.org/abs/2003.01196v1
- Date: Mon, 2 Mar 2020 21:26:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 05:33:13.415190
- Title: DEEVA: A Deep Learning and IoT Based Computer Vision System to Address
Safety and Security of Production Sites in Energy Industry
- Title（参考訳）: DEEVA: エネルギー産業における生産現場の安全性と安全性に対処するディープラーニングとIoTベースのコンピュータビジョンシステム
- Authors: Nimish M. Awalgaonkar, Haining Zheng, Christopher S. Gurciullo
- Abstract要約: 本稿では,シーン分類,シーン中のオブジェクト検出,セマンティックセグメンテーション,シーンキャプションなど,さまざまなコンピュータビジョンに関わる問題に取り組む。
我々は、シーン分類、オブジェクト検出、セマンティックセグメンテーション、シーンのキャプションを扱うためのDeep ExxonMobil Eye for Video Analysis (DEEVA)パッケージを開発した。
その結果, RetinaNet物体検出器を用いた伝達学習により, 作業者の存在, 車両・建設機器の種類, 安全関連物体を高い精度(90%以上)で検出できることがわかった。
- 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: When it comes to addressing the safety/security related needs at different
production/construction sites, accurate detection of the presence of workers,
vehicles, equipment important and formed an integral part of computer
vision-based surveillance systems (CVSS). Traditional CVSS systems focus on the
use of different computer vision and pattern recognition algorithms overly
reliant on manual extraction of features and small datasets, limiting their
usage because of low accuracy, need for expert knowledge and high computational
costs. The main objective of this paper is to provide decision makers at sites
with a practical yet comprehensive deep learning and IoT based solution to
tackle various computer vision related problems such as scene classification,
object detection in scenes, semantic segmentation, scene captioning etc. Our
overarching goal is to address the central question of What is happening at
this site and where is it happening in an automated fashion minimizing the need
for human resources dedicated to surveillance. We developed Deep ExxonMobil Eye
for Video Analysis (DEEVA) package to handle scene classification, object
detection, semantic segmentation and captioning of scenes in a hierarchical
approach. The results reveal that transfer learning with the RetinaNet object
detector is able to detect the presence of workers, different types of
vehicles/construction equipment, safety related objects at a high level of
accuracy (above 90%). With the help of deep learning to automatically extract
features and IoT technology to automatic capture, transfer and process vast
amount of realtime images, this framework is an important step towards the
development of intelligent surveillance systems aimed at addressing myriads of
open ended problems in the realm of security/safety monitoring, productivity
assessments and future decision making.
- Abstract（参考訳）: 異なる生産・建設現場における安全・セキュリティ関連のニーズに対応するため、労働者、車両、機器の存在を正確に検知し、コンピュータビジョンベースの監視システム(CVSS)の不可欠な部分を形成する。
従来のCVSSシステムは、異なるコンピュータビジョンとパターン認識アルゴリズムの使用に重点を置いており、機能や小さなデータセットの手作業による抽出に依存しており、その使用は低い精度、専門知識の必要性、高い計算コストのために制限されている。
本論文の目的は,シーン分類,シーンのオブジェクト検出,セマンティックセグメンテーション,シーンキャプションなど,コンピュータビジョンに関連するさまざまな問題に対処するための,実用的な包括的深層学習とIoTベースのソリューションを,現場の意思決定者に提供することである。
私たちの全体的な目標は、このサイトで何が起きているのか、そして監視に特化した人材の必要性を最小化する自動的なやり方で何が起きているのかという中心的な問題に対処することです。
我々は,シーン分類,オブジェクト検出,意味セグメンテーション,シーンのキャプションを階層的アプローチで処理するために,deeva(deep exxonmobil eye for video analysis)パッケージを開発した。
その結果,retinanetオブジェクト検出器を用いたトランスファー学習は,作業者の存在,車両・建設機器の種類,安全関連物体を高い精度(90%以上)で検出できることがわかった。
ディープラーニングが機能やiotテクノロジを自動的に抽出して、大量のリアルタイム画像を自動キャプチャ、転送、処理することで、このフレームワークは、セキュリティや安全性の監視、生産性評価、今後の意思決定といった、オープンエンドの課題に対処するためのインテリジェントな監視システムを開発する上で、重要なステップになります。
関連論文リスト
- Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [70.93622520400385]
本稿では,VLAに基づくロボットシステムのロバスト性を体系的に評価する。
本研究では,ロボット行動の不安定化に空間的基盤を活用する,標的のない位置認識型攻撃目標を提案する。
また、カメラの視野内に小さなカラフルなパッチを配置し、デジタル環境と物理環境の両方で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
論文 参考訳（メタデータ） (2024-11-18T01:52:20Z) - Enhancing Automata Learning with Statistical Machine Learning: A Network Security Case Study [4.2751988244805466]
本稿では,ネットワークトラヒックデータから状態マシンを抽出するために,オートマチック学習を用いる。
我々は,産業パートナーのRabbitRun Technologiesが開発した商用ネットワーク侵入検知システムに適用する。
我々の手法は、学習された状態マシンの状態数と遷移を平均67.5%削減する。
論文 参考訳（メタデータ） (2024-05-18T02:10:41Z) - Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-07T08:58:41Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Ensemble learning techniques for intrusion detection system in the
context of cybersecurity [0.0]
侵入検知システムの概念は、より良い結果を得るためにデータマイニングと機械学習オレンジツールを応用した。
本研究の目的は,SVM (Support Vector Machine) と kNearest Neighbour (kNN) アルゴリズムによって支援されたスタックリング手法を用いて,アンサンブル学習手法を検討することである。
論文 参考訳（メタデータ） (2022-12-21T10:50:54Z) - Remote Sensing Image Classification using Transfer Learning and
Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。
提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文 参考訳（メタデータ） (2022-06-20T10:05:38Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Federated Learning for Intrusion Detection System: Concepts, Challenges
and Future Directions [0.20236506875465865]
侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。
本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
論文 参考訳（メタデータ） (2021-06-16T13:13:04Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。
我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。
我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
論文 参考訳（メタデータ） (2020-10-19T13:09:31Z) - Deep Learning Models for Visual Inspection on Automotive Assembling Line [2.594420805049218]
本稿では,深層学習を用いた視覚検査支援手法を提案する。
提案手法は、実際の自動車組立ラインにおける4つの概念実証によって説明される。
論文 参考訳（メタデータ） (2020-07-02T20:00:45Z)
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。