論文の概要: EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios
using Aerial Imagery
- arxiv url: http://arxiv.org/abs/2007.06124v3
- Date: Mon, 23 Nov 2020 21:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 05:55:13.718630
- Title: EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios
using Aerial Imagery
- Title（参考訳）: EAGLE:空中画像を用いた実世界シナリオにおける大規模車両検出データセット
- Authors: Seyed Majid Azimi, Reza Bahmanyar, Corenin Henry and Franz Kurz
- Abstract要約: 航空画像における物体方向情報を用いた多種多様な車両検出のための大規模データセットを提案する。
様々なカメラセンサー、解像度、飛行高度、天候、照明、ヘイズ、シャドウ、時間、都市、国、オクルージョン、カメラアングルを備えた、さまざまな現実世界の状況からなる高解像度の空中画像が特徴である。
215,986のインスタンスに4つのポイントと向きで定義された向き付きバウンディングボックスがアノテートされており、このタスクでこれまでで最大のデータセットとなっている。
また、ヘイズやシャドウ除去の研究や、超高解像度やインペイントの応用も支援している。
- 参考スコア（独自算出の注目度）: 3.8902657229395894
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-class vehicle detection from airborne imagery with orientation
estimation is an important task in the near and remote vision domains with
applications in traffic monitoring and disaster management. In the last decade,
we have witnessed significant progress in object detection in ground imagery,
but it is still in its infancy in airborne imagery, mostly due to the scarcity
of diverse and large-scale datasets. Despite being a useful tool for different
applications, current airborne datasets only partially reflect the challenges
of real-world scenarios. To address this issue, we introduce EAGLE (oriEnted
vehicle detection using Aerial imaGery in real-worLd scEnarios), a large-scale
dataset for multi-class vehicle detection with object orientation information
in aerial imagery. It features high-resolution aerial images composed of
different real-world situations with a wide variety of camera sensor,
resolution, flight altitude, weather, illumination, haze, shadow, time, city,
country, occlusion, and camera angle. The annotation was done by airborne
imagery experts with small- and large-vehicle classes. EAGLE contains 215,986
instances annotated with oriented bounding boxes defined by four points and
orientation, making it by far the largest dataset to date in this task. It also
supports researches on the haze and shadow removal as well as super-resolution
and in-painting applications. We define three tasks: detection by (1)
horizontal bounding boxes, (2) rotated bounding boxes, and (3) oriented
bounding boxes. We carried out several experiments to evaluate several
state-of-the-art methods in object detection on our dataset to form a baseline.
Experiments show that the EAGLE dataset accurately reflects real-world
situations and correspondingly challenging applications.
- Abstract（参考訳）: 高度推定を伴う空中画像からのマルチクラス車両検出は,交通監視や災害管理に応用される近距離・遠隔領域において重要な課題である。
過去10年間、私たちは地上画像における物体検出の著しい進歩を目の当たりにしてきたが、多種多様な大規模データセットの不足により、まだ空中画像の初期段階にある。
さまざまなアプリケーションに有用なツールであるにも関わらず、現在の空中データセットは、実際のシナリオの課題を部分的に反映しているに過ぎない。
この問題に対処するために,空中画像におけるオブジェクト指向情報を用いた多クラス車両検出のための大規模データセットであるEAGLE(OriEnted Vehicle Detection using Aerial imaGery in real-worLd scEnarios)を導入する。
様々なカメラセンサー、解像度、飛行高度、天候、照明、ヘイズ、シャドウ、時間、都市、国、オクルージョン、カメラアングルを備えた、さまざまな現実世界の状況からなる高解像度の空中画像が特徴である。
アノテーションは、小車や大車クラスの航空画像の専門家によって行われた。
EAGLEには、215,986のインスタンスに4つのポイントと向きで定義された向き付きバウンディングボックスがアノテートされており、このタスクでこれまでで最大のデータセットとなっている。
また、ヘイズやシャドウ除去の研究や、超高解像度やインペイントの応用もサポートする。
我々は,(1)水平有界ボックスによる検出,(2)回転有界ボックス,(3)指向有界ボックスの3つのタスクを定義する。
我々は,本データセットにおけるオブジェクト検出における最先端手法の評価を行い,ベースラインを形成する。
EAGLEデータセットは現実世界の状況とそれに伴う課題を正確に反映している。
関連論文リスト
- UniMODE: Unified Monocular 3D Object Detection [70.27631528933482]
我々は,鳥眼視(BEV)検出パラダイムに基づく検出器を構築した。
本稿では,この課題に起因する収束不安定性に対応するために,不均一なBEVグリッド設計を提案する。
統一検出器UniMODEが導出され、挑戦的なOmni3Dデータセットの先行技術を上回る。
論文 参考訳（メタデータ） (2024-02-28T18:59:31Z) - Towards Generalizable Multi-Camera 3D Object Detection via Perspective
Debiasing [28.874014617259935]
マルチカメラ3Dオブジェクト検出(MC3D-Det)は,鳥眼ビュー(BEV)の出現によって注目されている。
本研究では,3次元検出と2次元カメラ平面との整合性を両立させ,一貫した高精度な検出を実現する手法を提案する。
論文 参考訳（メタデータ） (2023-10-17T15:31:28Z) - Aerial Image Object Detection With Vision Transformer Detector (ViTDet) [0.0]
Vision Transformer Detector (ViTDet) はオブジェクト検出のためのマルチスケール特徴を抽出するために提案されている。
ViTDetのシンプルな設計は、自然のシーン画像に優れた性能を実現し、どんな検出器アーキテクチャにも簡単に組み込むことができる。
以上の結果から,VTDetは水平バウンディングボックス(HBB)オブジェクト検出において,畳み込みニューラルネットワークよりも一貫して優れていることがわかった。
論文 参考訳（メタデータ） (2023-01-28T02:25:30Z) - A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and
Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。
このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。
このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文 参考訳（メタデータ） (2022-06-13T19:14:06Z) - VPAIR -- Aerial Visual Place Recognition and Localization in Large-scale
Outdoor Environments [49.82314641876602]
VPAIRという新しいデータセットを提示します。
データセットは地上300メートル以上の高度で飛行する軽航空機に記録されている。
このデータセットは、様々なタイプの挑戦的な風景を、100km以上にわたってカバーしている。
論文 参考訳（メタデータ） (2022-05-23T18:50:08Z) - A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-04-22T23:49:44Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - Leveraging domain labels for object detection from UAVs [14.853897011640022]
無人航空機(UAV)のためのドメイン対応物体検出器を提案する。
特に,実時間検出器用UAVDTの最先端性能について述べる。
高度と視角のアノテーションを特徴とする2 900 イメージに 13 713 個のオブジェクトをアノテートすることで,新しい空中画像データセットを作成する。
論文 参考訳（メタデータ） (2021-01-29T16:42:52Z) - TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。
私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。
データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
論文 参考訳（メタデータ） (2020-11-18T09:32:24Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z)
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。