論文の概要: Globally-scalable Automated Target Recognition (GATR)

• arxiv url: http://arxiv.org/abs/2009.04836v1
• Date: Thu, 10 Sep 2020 13:20:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 03:45:18.367529
• Title: Globally-scalable Automated Target Recognition (GATR)
• Title（参考訳）: global-scalable automated target recognition (gatr)
• Authors: Gary Chern, Austen Groener, Michael Harner, Tyler Kuhns, Andy Lam, Stephen O'Neill, and Mark Pritt
• Abstract要約: GATR (Globally-Scalable Automated Target Recognition) は、衛星画像のリアルタイム物体検出と分類のためのロッキード・マーティン・ソフトウェアシステムである。 1つのGPU上で16平方km/秒(または10Mpps/秒以上)の速度で画像を処理する。 ペンシルベニア州全体のガス破砕井戸を探すのに2時間しかかからない。
• 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: GATR (Globally-scalable Automated Target Recognition) is a Lockheed Martin software system for real-time object detection and classification in satellite imagery on a worldwide basis. GATR uses GPU-accelerated deep learning software to quickly search large geographic regions. On a single GPU it processes imagery at a rate of over 16 square km/sec (or more than 10 Mpixels/sec), and it requires only two hours to search the entire state of Pennsylvania for gas fracking wells. The search time scales linearly with the geographic area, and the processing rate scales linearly with the number of GPUs. GATR has a modular, cloud-based architecture that uses the Maxar GBDX platform and provides an ATR analytic as a service. Applications include broad area search, watch boxes for monitoring ports and airfields, and site characterization. ATR is performed by deep learning models including RetinaNet and Faster R-CNN. Results are presented for the detection of aircraft and fracking wells and show that the recalls exceed 90% even in geographic regions never seen before. GATR is extensible to new targets, such as cars and ships, and it also handles radar and infrared imagery.
• Abstract（参考訳）: GATR (Globally-Scalable Automated Target Recognition) は、ロッキード・マーティンが衛星画像のリアルタイム物体検出と分類を行うソフトウェアである。 gatrはgpuによるディープラーニングソフトウェアを使用して、大きな地理的領域をすばやく検索する。 単一のGPU上では、16平方km/秒(または10Mpps/秒以上)の速度で画像を処理し、ペンシルベニア州全体のガス破砕井戸を探すのに2時間しかかからない。 探索時間は地理的領域と線形にスケールし、処理速度はGPUの数と線形にスケールする。 GATRはモジュール型のクラウドベースのアーキテクチャで、Maxar GBDXプラットフォームを使用し、サービスとしてATR分析を提供する。 アプリケーションには、広域検索、監視ポートと飛行場のためのウォッチボックス、サイトキャラクタリゼーションが含まれる。 ATRはRetinaNetやFaster R-CNNといったディープラーニングモデルによって実行される。 その結果,航空機の検出と破砕井戸の検出を行い,これまで観測されたことのない地域においても90%以上のリコールが得られた。 GATRは車や船などの新しいターゲットに拡張可能であり、レーダーや赤外線画像も処理できる。

関連論文リスト

• Adapting Fine-Grained Cross-View Localization to Areas without Fine Ground Truth [56.565405280314884]
  本稿では,GTの微細化を伴わないターゲット領域の画像のみを活用することにより,新たなターゲット領域におけるトレーニングモデルの性能向上に焦点をあてる。 本稿では,知識の自己蒸留に基づく弱教師付き学習手法を提案する。 提案手法は,最近の2つのベンチマークモデルを用いて検証した。
  論文  参考訳（メタデータ） (2024-06-01T15:58:35Z)
• Global-Local MAV Detection under Challenging Conditions based on Appearance and Motion [27.11400452401168]
  本研究では,MAV検出のための動作特徴と外観特徴を融合させるグローバルなMAV検出器を提案する。 提案した検出器の有効性をトレーニングし、検証するために、新しいデータセットが作成される。 特に、この検出器はNVIDIA Jetson NX Xavier上でほぼリアルタイムのフレームレートで動作させることができる。
  論文  参考訳（メタデータ） (2023-12-18T08:06:36Z)
• Deep Learning Computer Vision Algorithms for Real-time UAVs On-board Camera Image Processing [77.34726150561087]
  本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。 すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
  論文  参考訳（メタデータ） (2022-11-02T11:10:42Z)
• LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
  異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。 私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
  論文  参考訳（メタデータ） (2022-10-19T17:58:17Z)
• ALTO: A Large-Scale Dataset for UAV Visual Place Recognition and Localization [22.992887167994766]
  ALTOデータセットは、無人航空機の視覚的位置認識手法の開発とベンチマークのためのビジョン中心のデータセットである。 このデータセットは2つの長い(約150kmと260km)軌道から成り、オハイオとペンシルバニアの上空をヘリコプターで飛んでいる。
  論文  参考訳（メタデータ） (2022-07-19T21:13:44Z)
• SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
  探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。 SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。 大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
  論文  参考訳（メタデータ） (2022-07-10T11:18:26Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• PAIRS AutoGeo: an Automated Machine Learning Framework for Massive Geospatial Data [7.742399489996169]
  IBM PAIRS Geoscopeビッグデータおよび分析プラットフォームで、PAIRS AutoGeoと呼ばれる地理空間データのための自動機械学習フレームワークが導入された。 このフレームワークは、必要なデータをロケーション座標に収集し、トレーニングデータを組み立て、品質チェックを行い、その後のデプロイメントのために複数の機械学習モデルをトレーニングする。 このユースケースは、PAIRS AutoGeoが広範な地理空間の専門知識なしに機械学習を活用できるようにする方法の例です。
  論文  参考訳（メタデータ） (2020-12-12T21:12:41Z)
• Deep Learning for Recognizing Mobile Targets in Satellite Imagery [0.0]
  本稿では,畳み込み型ニューラルネットワーク(CNN)を用いて,スライディングウインドウアルゴリズムに分類する手法について述べる。 xViewデータセットのモバイルターゲット上で評価され、95%以上の検出と分類の精度を達成する。
  論文  参考訳（メタデータ） (2020-10-13T16:26:42Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。