Fugu-MT 論文翻訳(概要): An improved helmet detection method for YOLOv3 on an unbalanced dataset

論文の概要: An improved helmet detection method for YOLOv3 on an unbalanced dataset

arxiv url: http://arxiv.org/abs/2011.04214v2
Date: Tue, 1 Dec 2020 02:39:21 GMT
ステータス: 処理完了
システム内更新日: 2022-09-28 01:17:49.724028
Title: An improved helmet detection method for YOLOv3 on an unbalanced dataset
Title（参考訳）: 不均衡データセット上でのYOLOv3のヘルメット検出法の改良
Authors: Rui Geng, Yixuan Ma, Wanhong Huang
Abstract要約: YOLOv3の信頼性レベルは、YOLOv3の認識速度を変えることなく0.01-0.02向上する。処理された画像は、効果的な特徴融合により、画像のローカライゼーションも向上する。
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: The YOLOv3 target detection algorithm is widely used in industry due to its high speed and high accuracy, but it has some limitations, such as the accuracy degradation of unbalanced datasets. The YOLOv3 target detection algorithm is based on a Gaussian fuzzy data augmentation approach to pre-process the data set and improve the YOLOv3 target detection algorithm. Through the efficient pre-processing, the confidence level of YOLOv3 is generally improved by 0.01-0.02 without changing the recognition speed of YOLOv3, and the processed images also perform better in image localization due to effective feature fusion, which is more in line with the requirement of recognition speed and accuracy in production.
Abstract（参考訳）: YOLOv3ターゲット検出アルゴリズムは、高速で高精度であるため、業界で広く利用されているが、アンバランスデータセットの精度低下など、いくつかの制限がある。 YOLOv3ターゲット検出アルゴリズムは、データセットを前処理し、YOLOv3ターゲット検出アルゴリズムを改善するガウスファジィデータ拡張アプローチに基づいている。効率的な前処理により、yolov3の認識速度を変化させることなく、yolov3の信頼性レベルを0.01〜0.02に向上させ、また、効果的な特徴融合により、画像の局在性も向上し、より認識速度と製造精度の要求に合致する。

関連論文リスト

Evaluating the Evolution of YOLO (You Only Look Once) Models: A Comprehensive Benchmark Study of YOLO11 and Its Predecessors [0.0]
本研究では,YOLOv3から最新のYOLO11まで,YOLO(You Only Look Once)アルゴリズムのベンチマーク解析を行った。トラフィックシグネチャ(さまざまなオブジェクトサイズを持つ)、アフリカ野生生物(多彩なアスペクト比と画像当たりのオブジェクトの少なくとも1つのインスタンス)、および船と船舶(単一のクラスの小さなオブジェクトを持つ)の3つの多様なデータセットでパフォーマンスを評価する。
論文参考訳（メタデータ） (2024-10-31T20:45:00Z)
YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision [0.6662800021628277]
本稿では、YOLOv5, YOLOv8, YOLOv10に着目し、YOLO(You Only Look Once)オブジェクト検出アルゴリズムの進化に焦点を当てた。これらのバージョンにまたがるエッジデプロイメントのアーキテクチャの進歩、パフォーマンスの改善、適合性を分析します。
論文参考訳（メタデータ） (2024-07-03T10:40:20Z)
YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文参考訳（メタデータ） (2024-05-23T11:44:29Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
YOLOv3 with Spatial Pyramid Pooling for Object Detection with Unmanned Aerial Vehicles [0.0]
我々は,背骨ダークネット53の端に空間ピラミッドポーリング層を追加することで,一段検出器YOLOv3の性能向上を目指す。また, YOLOv3法の異なるバージョンについて評価を行った。
論文参考訳（メタデータ） (2023-05-21T04:41:52Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文参考訳（メタデータ） (2022-01-29T10:54:57Z)
Grayscale Based Algorithm for Remote Sensing with Deep Learning [0.0]
地上目標のリモートセンシングは、衛星取得から異なる媒体を通して光の伝播に影響を与える様々な要因により、より困難である。教師付き学習(英語: Supervised Learning)は、トレーニング前にクラスに応じてデータをラベル付けする機械学習技術である。目標をより正確に検出し、分類するために、YOLOv3では、バウンディングとアンカーボックスに基づくアルゴリズムが採用されている。取得した画像は、ターゲット検出のためのグレースケールベースのYOLO3アルゴリズムで分析、訓練される。
論文参考訳（メタデータ） (2021-10-16T06:51:35Z)
Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文参考訳（メタデータ） (2021-07-08T15:19:36Z)
Self-Supervised Multi-Frame Monocular Scene Flow [61.588808225321735]
自己監督学習に基づくマルチフレーム一眼的シーンフローネットワークを導入。自己監督学習に基づく単眼的シーンフロー法における最新の精度を観察する。
論文参考訳（メタデータ） (2021-05-05T17:49:55Z)

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。