Fugu-MT 論文翻訳(概要): Active Terahertz Imaging Dataset for Concealed Object Detection

論文の概要: Active Terahertz Imaging Dataset for Concealed Object Detection

arxiv url: http://arxiv.org/abs/2105.03677v1
Date: Sat, 8 May 2021 11:21:38 GMT
ステータス: 処理完了
システム内更新日: 2021-05-11 14:57:03.724260
Title: Active Terahertz Imaging Dataset for Concealed Object Detection
Title（参考訳）: 被写体検出のためのアクティブテラヘルツイメージングデータセット
Authors: Dong Liang, Fei Xue and Ling Li
Abstract要約: 本稿では,Terahertzイメージング解像度5mm×5mmにおける多物体検出アルゴリズムの評価のための公開データセットを提供する。代表的な検出器は, YOLOv3, YOLOv4, FRCN-OHEM, RetinaNetである。実験の結果、RetinaNetは最も高いmAPを達成することが示された。
参考スコア（独自算出の注目度）: 16.26153671724079
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Concealed object detection in Terahertz imaging is an urgent need for public security and counter-terrorism. In this paper, we provide a public dataset for evaluating multi-object detection algorithms in active Terahertz imaging resolution 5 mm by 5 mm. To the best of our knowledge, this is the first public Terahertz imaging dataset prepared to evaluate object detection algorithms. Object detection on this dataset is much more difficult than on those standard public object detection datasets due to its inferior imaging quality. Facing the problem of imbalanced samples in object detection and hard training samples, we evaluate four popular detectors: YOLOv3, YOLOv4, FRCN-OHEM, and RetinaNet on this dataset. Experimental results indicate that the RetinaNet achieves the highest mAP. In addition, we demonstrate that hiding objects in different parts of the human body affect detection accuracy. The dataset is available at https://github.com/LingLIx/THz_Dataset.
Abstract（参考訳）: テラヘルツイメージングにおける物体検出は、公共の安全と対テロの緊急の必要性である。本稿では,アクティブテラヘルツ画像分解能5mm×5mmのマルチオブジェクト検出アルゴリズムを評価するための公開データセットを提案する。我々の知る限りでは、これはオブジェクト検出アルゴリズムを評価するために準備された、最初の公開Terahertz画像データセットである。このデータセットのオブジェクト検出は、画像の品質が劣っているため、標準の公開オブジェクト検出データセットよりもはるかに難しい。オブジェクト検出およびハードトレーニングサンプルにおける不均衡サンプルの問題に直面し、このデータセット上で、YOLOv3, YOLOv4, FRCN-OHEM, RetinaNetの4つの一般的な検出器を評価する。実験の結果、RetinaNetは最も高いmAPを達成することが示された。また,人体の異なる部位に隠れている物体が検出精度に影響を及ぼすことを示した。データセットはhttps://github.com/LingLIx/THz_Datasetで公開されている。

関連論文リスト

Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文参考訳（メタデータ） (2024-07-10T18:00:54Z)
FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。 YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
論文参考訳（メタデータ） (2024-04-03T17:24:27Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文参考訳（メタデータ） (2023-05-11T16:19:44Z)
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)
Focus-and-Detect: A Small Object Detection Framework for Aerial Images [1.911678487931003]
我々はFocus-and-Detectと呼ばれる2段階のオブジェクト検出フレームワークを提案する。第1段階は、焦点領域を構成するオブジェクトのクラスタを生成する。第2段階は対象検出器ネットワークであり、焦点領域内の物体を予測する。提案した2段階のフレームワークは,VisDrone検証データセットのAPスコアが42.06であることを示す。
論文参考訳（メタデータ） (2022-03-24T10:43:56Z)
Slicing Aided Hyper Inference and Fine-tuning for Small Object Detection [2.578242050187029]
Slicing Aided Hyper Inference (SAHI) は、小型物体検出のための汎用スライシング支援推論と微調整パイプラインを提供する。提案手法は Detectron2, MMDetection, YOLOv5 モデルと統合されている。
論文参考訳（メタデータ） (2022-02-14T18:49:12Z)
Remote Sensing Image Super-resolution and Object Detection: Benchmark and State of the Art [7.74389937337756]
本稿では、リモートセンシング画像の現在のデータセットとオブジェクト検出方法(深層学習に基づく)についてレビューする。本稿では,大規模かつ一般公開なリモートセンシング超解像オブジェクト検出データセットを提案する。また、画像超解像に基づく物体検出のベンチマークを行うために、Residual Feature aggregate (MCGR) と補助YOLOv5検出器を備えた新しいマルチクラスサイクル超解像対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-11-05T04:56:34Z)
FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in High-Resolution Remote Sensing Imagery [21.9319970004788]
我々は,高分解能リモートセンシング画像において,100万以上のインスタンスと15,000以上の画像を含む新しいベンチマークデータセットを提案する。 FAIR1Mデータセットのすべてのオブジェクトは、指向境界ボックスによって5つのカテゴリと37のサブカテゴリに関してアノテートされます。
論文参考訳（メタデータ） (2021-03-09T17:20:15Z)
Ensembling object detectors for image and video data analysis [98.26061123111647]
本稿では,複数の物体検出器の出力をアンサンブルすることで,画像データ上の境界ボックスの検出性能と精度を向上させる手法を提案する。本研究では,2段階追跡に基づく検出精度向上手法を提案することで,映像データに拡張する。
論文参考訳（メタデータ） (2021-02-09T12:38:16Z)
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)

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。