論文の概要: Real Time Multi-Class Object Detection and Recognition Using Vision Augmentation Algorithm

• arxiv url: http://arxiv.org/abs/2003.07442v4
• Date: Wed, 11 Nov 2020 18:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 20:20:06.869135
• Title: Real Time Multi-Class Object Detection and Recognition Using Vision Augmentation Algorithm
• Title（参考訳）: 視覚増強アルゴリズムを用いたリアルタイム多クラス物体検出・認識
• Authors: Al-Akhir Nayan, Joyeta Saha, Ahamad Nokib Mozumder, Khan Raqib Mahmud, Abul Kalam Al Azad
• Abstract要約: 学習課題における畳み込みレベルが異なるマルチスケール特徴を抽出するために,アップサンプリングとスキップ接続を用いた新しいリアルタイム検出アルゴリズムを提案する。 モデルの検出精度は、最先端モデルよりも高く、高速であることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The aim of this research is to detect small objects with low resolution and noise. The existing real time object detection algorithm is based on the deep neural network of convolution need to perform multilevel convolution and pooling operations on the entire image to extract a deep semantic characteristic of the image. The detection models perform better for large objects. The features of existing models do not fully represent the essential features of small objects after repeated convolution operations. We have introduced a novel real time detection algorithm which employs upsampling and skip connection to extract multiscale features at different convolution levels in a learning task resulting a remarkable performance in detecting small objects. The detection precision of the model is shown to be higher and faster than that of the state-of-the-art models.
• Abstract（参考訳）: 本研究の目的は,低解像度・低雑音の小型物体を検出することである。 既存のリアルタイムオブジェクト検出アルゴリズムは、画像全体の多レベル畳み込みとプール操作を実行し、画像の深いセマンティック特性を抽出するために必要な畳み込みのディープニューラルネットワークに基づいている。 検出モデルは、大きなオブジェクトに対してより良く機能する。 既存のモデルの特徴は、畳み込み操作を繰り返した後の小さなオブジェクトの本質的な特徴を完全に表現していない。 学習課題において,様々な畳み込みレベルのマルチスケール特徴を抽出するために,アップサンプリングとスキップ接続を用いた新しいリアルタイム検出アルゴリズムを導入し,小型物体の検出に顕著な性能を示した。 モデルの検出精度は、最先端モデルよりも高く、高速であることが示されている。

関連論文リスト

• Accelerating Object Detection with YOLOv4 for Real-Time Applications [0.276240219662896]
  畳み込みニューラルネットワーク(CNN)は、ほとんどの問題に対して画像コンテンツとコンピュータビジョンアプローチを認識する強力なツールとして登場した。 本稿では、畳み込みニューラルネットワーク(CNN)のようなディープラーニングとオブジェクト検出フレームワークの簡単な紹介を紹介する。
  論文  参考訳（メタデータ） (2024-10-17T17:44:57Z)
• Fast and Accurate Object Detection on Asymmetrical Receptive Field [0.0]
  本稿では,物体検出精度を受容場の変化の観点から改善する手法を提案する。 YOLOv5の頭部の構造は、非対称なプール層を付加することによって改変される。 本稿では, 従来の YOLOv5 モデルと比較し, いくつかのパラメータから解析する。
  論文  参考訳（メタデータ） (2023-03-15T23:59:18Z)
• Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
  LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。 本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。 さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-10T16:22:04Z)
• GiraffeDet: A Heavy-Neck Paradigm for Object Detection [13.476168814994862]
  本稿では,高速物体検出のための新しいヘビーネックパラダイムであるGiraffeDetを提案する。 GiraffeDetは、非常に軽量なバックボーンと、非常に深くて大きなネックモジュールを使っている。 GiraffeDetは、リソース制約の幅広い範囲で、従来のSOTAモデルより一貫して優れている。
  論文  参考訳（メタデータ） (2022-02-09T03:23:49Z)
• Aug3D-RPN: Improving Monocular 3D Object Detection by Synthetic Images with Virtual Depth [64.29043589521308]
  仮想深度で画像を合成することでトレーニングデータを増強するレンダリングモジュールを提案する。 レンダリングモジュールは、RGB画像と対応するスパース深度画像とを入力として、さまざまなフォトリアリスティック合成画像を出力する。 さらに,深度推定タスクを通じて共同で最適化することで,検出モデルを改善する補助モジュールを導入する。
  論文  参考訳（メタデータ） (2021-07-28T11:00:47Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• Slender Object Detection: Diagnoses and Improvements [74.40792217534]
  本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。 古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
  論文  参考訳（メタデータ） (2020-11-17T09:39:42Z)
• Few-shot Object Detection on Remote Sensing Images [11.40135025181393]
  リモートセンシング画像におけるオブジェクト検出のための数ショットの学習手法を提案する。 我々は、YOLOv3アーキテクチャに基づいて、少数ショットオブジェクト検出モデルを構築し、マルチスケールオブジェクト検出フレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-14T07:18:10Z)
• Concurrent Segmentation and Object Detection CNNs for Aircraft Detection and Identification in Satellite Images [0.0]
  本稿では,2つの全く異なる畳み込みニューラルネットワーク(CNN)を組み合わせて航空機を検出・識別する専用手法を提案する。 その結果, この組み合わせは各ユニタリモデルよりも有意に優れ, 偽陰性率を大幅に低下させることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T07:35:55Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。