論文の概要: Leveraging domain labels for object detection from UAVs

• arxiv url: http://arxiv.org/abs/2101.12677v1
• Date: Fri, 29 Jan 2021 16:42:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 13:30:02.635777
• Title: Leveraging domain labels for object detection from UAVs
• Title（参考訳）: uavからのオブジェクト検出にドメインラベルを活用する
• Authors: Benjamin Kiefer, Martin Messmer, Andreas Zell
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.853897011640022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection from Unmanned Aerial Vehicles (UAVs) is of great importance in many aerial vision-based applications. Despite the great success of generic object detection methods, a large performance drop is observed when applied to images captured by UAVs. This is due to large variations in imaging conditions, such as varying altitudes, dynamically changing viewing angles, and different capture times. We demonstrate that domain knowledge is a valuable source of information and thus propose domain-aware object detectors by using freely accessible sensor data. By splitting the model into cross-domain and domain-specific parts, substantial performance improvements are achieved on multiple datasets across multiple models and metrics. In particular, we achieve a new state-of-the-art performance on UAVDT for real-time detectors. Furthermore, we create a new airborne image dataset by annotating 13 713 objects in 2 900 images featuring precise altitude and viewing angle annotations.
• Abstract（参考訳）: 無人航空機(UAV)からの物体検出は、多くの航空ビジョンベースのアプリケーションで非常に重要です。 汎用物体検出法は非常に成功したが、UAVが捉えた画像に適用すると大きな性能低下が観測される。 これは、高度の変化、視野角の動的変化、撮影時間の違いなど、撮像条件のバリエーションが大きいためである。 ドメイン知識は貴重な情報源であり,自由にアクセス可能なセンサデータを用いて,ドメイン認識対象検出器を提案する。 モデルをクロスドメインとドメイン固有の部分に分割することで、複数のモデルとメトリクスにわたる複数のデータセットで大幅なパフォーマンス改善が達成される。 特に,実時間検出器用UAVDTの最先端性能について述べる。 さらに,高度と視野角のアノテーションを特徴とする2900画像に13個の713個の物体を注釈付けして,新たな空中画像データセットを作成する。

関連論文リスト

• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• On the Robustness of Object Detection Models in Aerial Images [37.50307094643692]
  DOTA-v1.0に基づく新しいベンチマークを2つ導入する。 第1のベンチマークは、19の一般的な汚職を含むが、第2のベンチマークは、クラウド崩壊したイメージに焦点を当てている。 改良されたモデルアーキテクチャ,大規模ネットワーク,高度に構築されたモジュール,および巧妙なデータ拡張戦略により,航空物体検出モデルの堅牢性が向上することがわかった。
  論文  参考訳（メタデータ） (2023-08-29T15:16:51Z)
• ObjectFormer for Image Manipulation Detection and Localization [118.89882740099137]
  画像操作の検出とローカライズを行うObjectFormerを提案する。 画像の高周波特徴を抽出し,マルチモーダルパッチの埋め込みとしてRGB特徴と組み合わせる。 各種データセットについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-28T12:27:34Z)
• Comprehensive Analysis of the Object Detection Pipeline on UAVs [16.071349046409885]
  まず、リモートセンシングアプリケーションにおける7つのパラメータ(量子化、圧縮、解像度、色モデル、画像歪み、ガンマ補正、追加チャネル)の影響を実験的に分析する。 すべてのパラメータが検出精度とデータスループットに等しく影響を与えるわけではなく、パラメータ間の適切な妥協により、軽量物体検出モデルの検出精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-03-01T09:30:01Z)
• Context-Aware Transfer Attacks for Object Detection [51.65308857232767]
  本稿では,オブジェクト検出のためのコンテキスト認識攻撃を新たに生成する手法を提案する。 オブジェクトとその相対的な位置と大きさの共起をコンテキスト情報として利用することにより、ターゲットの誤分類攻撃をうまく生成できることを示す。
  論文  参考訳（メタデータ） (2021-12-06T18:26:39Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• 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)
• EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios using Aerial Imagery [3.8902657229395894]
  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。
  論文  参考訳（メタデータ） (2020-07-12T23:00:30Z)
• AU-AIR: A Multi-modal Unmanned Aerial Vehicle Dataset for Low Altitude Traffic Surveillance [20.318367304051176]
  カメラを搭載した無人航空機(UAV)は、空中(バードビュー)画像を撮影する利点がある。 オブジェクトアノテーションによる視覚データを含む、いくつかの空中データセットが導入されている。 本研究では,実環境下で収集されたマルチモーダルセンサデータを有する多目的航空データセット(AU-AIR)を提案する。
  論文  参考訳（メタデータ） (2020-01-31T09:45:12Z)

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。