Fugu-MT 論文翻訳(概要): Small and large scale critical infrastructures detection based on deep learning using high resolution orthogonal images

論文の概要: Small and large scale critical infrastructures detection based on deep learning using high resolution orthogonal images

arxiv url: http://arxiv.org/abs/2105.11844v1
Date: Tue, 25 May 2021 11:38:15 GMT
ステータス: 処理完了
システム内更新日: 2021-05-26 14:31:53.540070
Title: Small and large scale critical infrastructures detection based on deep learning using high resolution orthogonal images
Title（参考訳）: 高分解能直交画像を用いた深層学習に基づく小規模・大規模臨界インフラストラクチャ検出
Authors: P\'erez-Hern\'andez Francisco, Rodr\'iguez-Ortega Jos\'e, Benhammou Yassir, Herrera Francisco, Tabik Siham
Abstract要約: 本稿では、スマートデータセットと、分解能に依存しないクリティカルインフラストラクチャ検出システムを提案する。特に、検出モデルの性能から導かれ、我々は2つのスケール、小さくて大規模なデータセットを構築した。 DetDSCI法は、ベースライン検出器に関して最大37,53%のF1改善を達成している。
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 detection of critical infrastructures is of high importance in several fields such as security, anomaly detection, land use planning and land use change detection. However, critical infrastructures detection in aerial and satellite images is still a challenge as each one has completely different size and requires different spacial resolution to be identified correctly. Heretofore, there are no special datasets for training critical infrastructures detectors. This paper presents a smart dataset as well as a resolution-independent critical infrastructure detection system. In particular, guided by the performance of the detection model, we built a dataset organized into two scales, small and large scale, and designed a two-stage deep learning detection of different scale critical infrastructures (DetDSCI) methodology in ortho-images. DetDSCI methodology first determines the input image zoom level using a classification model, then analyses the input image with the appropriate scale detection model. Our experiments show that DetDSCI methodology achieves up to 37,53% F1 improvement with respect to the baseline detector.
Abstract（参考訳）: 重要なインフラストラクチャの検出は、セキュリティ、異常検出、土地利用計画、土地利用変化検出など、いくつかの分野で非常に重要である。しかし、航空画像と衛星画像における重要なインフラストラクチャ検出は、それぞれが完全に異なるサイズで、正確な識別のために異なる空間解像度を必要とするため、依然として課題である。これまでは、重要なインフラストラクチャー検出を訓練するための特別なデータセットは存在しない。本稿では,スマートデータセットと解像度に依存しないクリティカルインフラストラクチャ検出システムを提案する。特に,検出モデルの性能に導かれ,小規模と大規模の2つの尺度からなるデータセットを構築し,異なるスケールクリティカルインフラストラクチャ(detdsci)手法による2段階のディープラーニング検出をオルソイメージで設計した。 DetDSCI法はまず分類モデルを用いて入力画像のズームレベルを決定し、次に適切なスケール検出モデルを用いて入力画像を分析する。 DetDSCI法はベースライン検出器に対して最大37,53%のF1改善を実現している。

関連論文リスト

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)
SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文参考訳（メタデータ） (2024-03-11T09:20:40Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
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)
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
High-Resolution Vision Transformers for Pixel-Level Identification of Structural Components and Damage [1.8923948104852863]
視覚変換器とラプラシアピラミッドスケーリングネットワークに基づくセマンティックセグメンテーションネットワークを開発した。提案手法は,橋梁検査報告画像のデータセットに関する総合的な実験を通じて評価されている。
論文参考訳（メタデータ） (2023-08-06T03:34:25Z)
FSD: Fully-Specialized Detector via Neural Architecture Search [2.149718433100702]
まず,FSDを設計するための完全自動パイプラインを提案し,検討する。 DeepLesionデータセットでは、FSDは2次病変検出タスクで約40%少ないパラメータを使用して3.1mAPゲインを達成することができる。
論文参考訳（メタデータ） (2023-05-26T05:41:20Z)
PERCEPT: a new online change-point detection method using topological data analysis [10.49648038337544]
トポロジカルデータ分析(TDA)は、データセットから埋め込みトポロジカル構造を抽出する一連のデータ解析ツールを提供する。そこで我々は,PERCEPT (Persistence diagram-based ChangE-PoinT Detection) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2022-03-08T18:05:52Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文参考訳（メタデータ） (2020-05-08T01:59:23Z)
Multi-Objective Variational Autoencoder: an Application for Smart Infrastructure Maintenance [1.2311105789643062]
マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
論文参考訳（メタデータ） (2020-03-11T01:30:08Z)

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。