論文の概要: Broad Area Search and Detection of Surface-to-Air Missile Sites Using
Spatial Fusion of Component Object Detections from Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2003.10566v3
- Date: Mon, 20 Jul 2020 17:44:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 00:35:03.664570
- Title: Broad Area Search and Detection of Surface-to-Air Missile Sites Using
Spatial Fusion of Component Object Detections from Deep Neural Networks
- Title（参考訳）: 深層ニューラルネットワークからの成分物体検出の空間的融合による地対空ミサイル地点の広域探索と検出
- Authors: Alan B. Cannaday II, Curt H. Davis, Grant J. Scott, Blake Ruprecht,
Derek T. Anderson
- Abstract要約: 複数またはコンポーネントオブジェクトのディープニューラルネットワーク(DNN)検出は、より大きな複雑な機能の検索、検出、検索(ランク付け)を改善するために空間的に融合することができる。
本手法は中国における9万km2の地表面対空ミサイル(SAM)の広い地域探索と検出に有効であることを示す。
- 参考スコア（独自算出の注目度）: 7.24548168665473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Here we demonstrate how Deep Neural Network (DNN) detections of multiple
constitutive or component objects that are part of a larger, more complex, and
encompassing feature can be spatially fused to improve the search, detection,
and retrieval (ranking) of the larger complex feature. First, scores computed
from a spatial clustering algorithm are normalized to a reference space so that
they are independent of image resolution and DNN input chip size. Then,
multi-scale DNN detections from various component objects are fused to improve
the detection and retrieval of DNN detections of a larger complex feature. We
demonstrate the utility of this approach for broad area search and detection of
Surface-to-Air Missile (SAM) sites that have a very low occurrence rate (only
16 sites) over a ~90,000 km^2 study area in SE China. The results demonstrate
that spatial fusion of multi-scale component-object DNN detections can reduce
the detection error rate of SAM Sites by $>$85% while still maintaining a 100%
recall. The novel spatial fusion approach demonstrated here can be easily
extended to a wide variety of other challenging object search and detection
problems in large-scale remote sensing image datasets.
- Abstract（参考訳）: 本稿では、より大きく、より複雑で包含的な複数の構成的またはコンポーネントオブジェクトのディープニューラルネットワーク(DNN)検出を空間的に融合して、より大きな複雑な特徴の探索、検出、検索(ランク付け)を改善する方法を示す。
まず、空間クラスタリングアルゴリズムから計算したスコアを基準空間に正規化し、画像解像度とDNN入力チップサイズに依存しないようにする。
次に、様々なコンポーネントオブジェクトからのマルチスケールDNN検出を融合して、より大規模な複雑な特徴のDNN検出と検索を改善する。
本手法は,中国の約90,000km^2研究地域において,非常に低い発生率(わずか16箇所)の地表面対空ミサイル(sam)地点の広域探索および検出に有用であることを示す。
その結果,マルチスケールコンポーネントオブジェクトDNN検出の空間融合により,SAMサイトの検出エラー率を,100%リコールを維持しながら$85%削減できることがわかった。
ここで実証された新しい空間融合アプローチは、大規模なリモートセンシング画像データセットにおいて、様々な難解な物体探索および検出問題に容易に拡張できる。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳（メタデータ） (2024-09-09T13:56:22Z) - A DeNoising FPN With Transformer R-CNN for Tiny Object Detection [25.892598910922004]
そこで本稿では,Trans R-CNN (DNTR) を用いたFPNのデノベーション手法を提案する。
DNTRは、簡単なプラグイン設計、DeNoising FPN (DN-FPN)、効果的なTransformerベースの検出器であるTrans R-CNNで構成されている。
我々は、古いR-CNN検出器を新しいTrans R-CNN検出器に置き換え、自己注意を持つ小さな物体の表現に集中する。
論文 参考訳（メタデータ） (2024-06-09T12:18:15Z) - SFOD: Spiking Fusion Object Detector [10.888008544975662]
Spiking Fusion Object Detector (SFOD)は、SNNベースのオブジェクト検出のためのシンプルで効率的なアプローチである。
我々は、イベントカメラに適用されたSNNにおいて、異なるスケールのフィーチャーマップを初めて融合させる、スパイキングフュージョンモジュールを設計する。
我々は、NCARデータセット上で93.7%の精度を達成し、SNNに基づいて最先端の分類結果を確立する。
論文 参考訳（メタデータ） (2024-03-22T13:24:50Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - DQnet: Cross-Model Detail Querying for Camouflaged Object Detection [54.82390534024954]
カモフラージュされた物体検出のための畳み込みニューラルネットワーク(CNN)は、完全な対象範囲を無視しながら局所的な識別領域を活性化する傾向がある。
本稿では,CNNの内在的特性から部分的活性化が引き起こされることを論じる。
完全なオブジェクト範囲を活性化できる特徴マップを得るために,クロスモデル詳細クエリネットワーク(DQnet)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-16T06:23:58Z) - AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。
我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
論文 参考訳（メタデータ） (2022-08-24T16:54:38Z) - RRNet: Relational Reasoning Network with Parallel Multi-scale Attention
for Salient Object Detection in Optical Remote Sensing Images [82.1679766706423]
光リモートセンシング画像(RSI)のためのSODは、光学RSIから視覚的に特徴的な物体や領域を探索・抽出することを目的としている。
光学RSIにおけるSODに並列なマルチスケールアテンションを持つリレーショナル推論ネットワークを提案する。
提案するRRNetは,既存の最先端SODコンペティタよりも質的,定量的に優れている。
論文 参考訳（メタデータ） (2021-10-27T07:18:32Z) - An Attention-Fused Network for Semantic Segmentation of
Very-High-Resolution Remote Sensing Imagery [26.362854938949923]
注目融合ネットワーク(AFNet)という,新しい畳み込みニューラルネットワークアーキテクチャを提案する。
ISPRS Vaihingen 2DデータセットとISPRS Potsdam 2Dデータセットで、総精度91.7%、平均F1スコア90.96%の最先端のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-05-10T06:23:27Z) - MRDet: A Multi-Head Network for Accurate Oriented Object Detection in
Aerial Images [51.227489316673484]
水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。
正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。
各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
論文 参考訳（メタデータ） (2020-12-24T06:36:48Z) - Locality-Aware Rotated Ship Detection in High-Resolution Remote Sensing
Imagery Based on Multi-Scale Convolutional Network [7.984128966509492]
マルチスケール畳み込みニューラルネットワーク(CNN)に基づく局所性認識型回転船検出(LARSD)フレームワークを提案する。
提案フレームワークはUNetのようなマルチスケールCNNを用いて高解像度の情報を持つマルチスケール特徴マップを生成する。
検出データセットを拡大するために、新しい高解像度船舶検出(HRSD)データセットを構築し、2499の画像と9269のインスタンスを異なる解像度でGoogle Earthから収集した。
論文 参考訳（メタデータ） (2020-07-24T03:01:42Z) - 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)
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。