論文の概要: Infrared image pedestrian target detection based on Yolov3 and migration
learning
- arxiv url: http://arxiv.org/abs/2012.11185v1
- Date: Mon, 21 Dec 2020 08:55:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 08:21:06.790848
- Title: Infrared image pedestrian target detection based on Yolov3 and migration
learning
- Title(参考訳): Yolov3に基づく赤外画像歩行者目標検出とマイグレーション学習
- Authors: Shengqi Geng
- Abstract要約: 本論文では、移動学習手法を用いてYOLOv3モデルを適用し、赤外線画像における歩行者ターゲット検出を実現する。
CVCデータセットの歩行者検出タスクでは、Yolov3モデルの平均精度(AP)は96.35%に達し、Diou-Yolov3モデルの平均精度は72.14%であるが、後者は損失曲線の収束率が速い。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the gradual application of infrared night vision vehicle assistance
system in automatic driving, the accuracy of the collected infrared images of
pedestrians is gradually improved. In this paper, the migration learning method
is used to apply YOLOv3 model to realize pedestrian target detection in
infrared images. The target detection model YOLOv3 is migrated to the CVC
infrared pedestrian data set, and Diou loss is used to replace the loss
function of the original YOLO model to test different super parameters to
obtain the best migration learning effect. The experimental results show that
in the pedestrian detection task of CVC data set, the average accuracy (AP) of
Yolov3 model reaches 96.35%, and that of Diou-Yolov3 model is 72.14%, but the
latter has a faster convergence rate of loss curve. The effect of migration
learning can be obtained by comparing the two models.
- Abstract(参考訳): 自動走行における赤外線暗視車両支援システムの段階的適用により、歩行者の収集した赤外線画像の精度が徐々に向上する。
本稿では、移動学習法を用いて、YOLOv3モデルを用いて、赤外線画像における歩行者目標検出を実現する。
目標検出モデルYOLOv3は、CVC赤外線歩行者データセットに移行し、ダイオー損失を使用して、元のYOLOモデルの損失関数を置き換えることにより、異なるスーパーパラメータのテストを行い、最高のマイグレーション学習効果を得る。
実験の結果,CVCデータセットの歩行者検出タスクでは,平均精度(AP)が96.35%,Diou-Yolov3モデルが72.14%,後者が損失曲線の収束速度が速いことがわかった。
移行学習の効果は2つのモデルを比較して得られる。
関連論文リスト
- 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) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳(メタデータ) (2024-01-06T07:30:41Z) - Investigating YOLO Models Towards Outdoor Obstacle Detection For
Visually Impaired People [3.4628430044380973]
7種類のYOLOオブジェクト検出モデルが実装された。
YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。
YOLO-NASは障害物検出作業に最適であることがわかった。
論文 参考訳(メタデータ) (2023-12-10T13:16:22Z) - Pre-Training LiDAR-Based 3D Object Detectors Through Colorization [65.03659880456048]
我々は,データとラベルのギャップを埋めるために,革新的な事前学習手法であるグラウンドドポイントカラー化(GPC)を導入する。
GPCは、LiDAR点雲を色付けし、価値あるセマンティック・キューを装備するモデルを教えている。
KITTIとデータセットの実験結果は、GPCの顕著な効果を示している。
論文 参考訳(メタデータ) (2023-10-23T06:00:24Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。
提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。
推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
論文 参考訳(メタデータ) (2023-09-05T08:49:53Z) - Thermal infrared image based vehicle detection in low-level illumination
conditions using multi-level GANs [3.3223482500639845]
車両検出精度は、良照度条件ではかなり正確であるが、低照度条件では検出精度が劣る。
車両ヘッドライトやテールライトからの低照度とグラアの複合効果により、車両検出の失敗は最先端の物体検出モデルにより起こりやすい。
最先端のGANモデルは、赤外線画像から日中RGB画像に変換することにより、夜間における車両検出精度の向上を図っている。
論文 参考訳(メタデータ) (2022-09-20T15:56:52Z) - Supervised learning for improving the accuracy of robot-mounted 3D
camera applied to human gait analysis [0.31171750528972203]
歩行分析における3Dカメラの使用は、過去に実証された低い精度のため、非常に疑問視されている。
3Dカメラは、より長い歩行距離を得るために移動ロボットに搭載された。
本研究は,カメラの生推定を後処理することで,運動歩行信号と歩行記述子の検出の改善を示す。
論文 参考訳(メタデータ) (2022-07-03T10:35:18Z) - 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) - 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) - An improved helmet detection method for YOLOv3 on an unbalanced dataset [0.0]
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。
論文 参考訳(メタデータ) (2020-11-09T06:17:30Z)
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。