論文の概要: GLSD: The Global Large-Scale Ship Database and Baseline Evaluations
- arxiv url: http://arxiv.org/abs/2106.02773v1
- Date: Sat, 5 Jun 2021 01:49:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-14 09:29:15.901195
- Title: GLSD: The Global Large-Scale Ship Database and Baseline Evaluations
- Title（参考訳）: GLSD:グローバルな大規模船舶データベースとベースライン評価
- Authors: Zhenfeng Shao, Jiaming Wang, Lianbing Deng, Xiao Huang, Tao Lu,
Ruiqian Zhang, Xianwei Lv, Qing Ding, and Zhiqiang Wang
- Abstract要約: グローバルな大規模船舶データベース(GLSD)について紹介する。
設計されたGLSDデータベースには、100,729の画像から合計140,616の注釈付きインスタンスが含まれている。
収集した画像に基づいて,国際ルートに広く存在する13のカテゴリを提案する。
- 参考スコア（独自算出の注目度）: 13.804547696949877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce a challenging global large-scale ship database
(called GLSD), designed specifically for ship detection tasks. The designed
GLSD database includes a total of 140,616 annotated instances from 100,729
images. Based on the collected images, we propose 13 categories that widely
exists in international routes. These categories include sailing boat, fishing
boat, passenger ship, war ship, general cargo ship, container ship, bulk cargo
carrier, barge, ore carrier, speed boat, canoe, oil carrier, and tug. The
motivations of developing GLSD include the following: 1) providing a refined
ship detection database; 2) providing the worldwide researchers of ship
detection and exhaustive label information (bounding box and ship class label)
in one uniform global database; and 3) providing a large-scale ship database
with geographic information (port and country information) that benefits
multi-modal analysis. In addition, we discuss the evaluation protocols given
image characteristics in GLSD and analyze the performance of selected
state-of-the-art object detection algorithms on GSLD, providing baselines for
future studies. More information regarding the designed GLSD can be found at
https://github.com/jiaming-wang/GLSD.
- Abstract（参考訳）: 本稿では,船舶検知タスクに特化して設計されたグローバルな大規模船舶データベース(GLSD)を紹介する。
設計されたGLSDデータベースには、100,729の画像から合計140,616の注釈付きインスタンスが含まれている。
収集した画像に基づいて,国際ルートに広く存在する13のカテゴリを提案する。
これらのカテゴリーは、帆船、漁船、旅客船、軍艦、一般貨物船、コンテナ船、ばら積み貨物船、バージ、鉱石運送船、スピードボート、カヌー、石油運送船、タグである。
GLSDの開発モチベーションは,1) 改良された船舶検知データベースの提供,2) 船の発見と総括ラベル情報(バウンディングボックスおよび船級ラベル)の世界的な研究者を1つのグローバルデータベースに提供すること,3) マルチモーダル分析の恩恵を受ける地理的情報(ポートおよび国情報)を備えた大規模船舶データベースの提供である。
さらに、GLSDにおける画像特性の評価プロトコルについて検討し、GSLD上で選択した最先端物体検出アルゴリズムの性能を分析し、今後の研究のベースラインを提供する。
デザインされたGLSDに関する詳細はhttps://github.com/jiaming-wang/GLSDで確認できる。
関連論文リスト
- Efficient Prompt Tuning of Large Vision-Language Model for Fine-Grained
Ship Classification [62.425462136772666]
リモートセンシング(RS-FGSC)における船のきめ細かい分類は、クラス間の高い類似性とラベル付きデータの限られた可用性のために大きな課題となる。
大規模な訓練済みビジョンランゲージモデル(VLM)の最近の進歩は、少数ショット学習やゼロショット学習において印象的な能力を示している。
本研究は, 船種別分類精度を高めるために, VLMの可能性を生かしたものである。
論文 参考訳（メタデータ） (2024-03-13T05:48:58Z) - 1st Workshop on Maritime Computer Vision (MaCVi) 2023: Challenge Results [152.54137779547068]
本報告では、個々のサブチャンジの主な発見を要約し、SeaDronesSee Object Detection v2と呼ばれる新しいベンチマークを導入する。
データセット、評価コード、リーダーボードはhttps://seadronessee.cs.uni-tuebingen.de/macvi.comで公開されている。
論文 参考訳（メタデータ） (2022-11-24T09:59:13Z) - KOLOMVERSE: Korea open large-scale image dataset for object detection in the maritime universe [0.5732204366512352]
KRISO による海洋領域における物体検出のための大規模画像データセット KOLOMVERSE を提案する。
韓国の21の領海から撮影した5,845時間の動画データを収集した。
データセットには3840$times$2160ピクセルのイメージがあり、私たちの知る限り、海洋ドメインにおけるオブジェクト検出のための公開データセットとしては、これまでで最大のものである。
論文 参考訳（メタデータ） (2022-06-20T16:45:12Z) - xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture
Radar Imagery [52.67592123500567]
世界の漁業は海洋資源や生態系に大きな脅威をもたらす。
夜間または夜間、全天候下で暗黒船の自動検出が可能となった。
xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
論文 参考訳（メタデータ） (2022-06-02T06:53:45Z) - FathomNet: A global underwater image training set for enabling
artificial intelligence in the ocean [0.0]
オーシャンゴープラットフォームは、監視とナビゲーションのために高解像度のカメラフィードを統合することで、視覚データを大量に生成している。
機械学習の最近の進歩は、視覚データの高速かつ洗練された分析を可能にするが、海洋学の世界では成功しなかった。
FathomNetのデータに基づいてトレーニングされた機械学習モデルを、さまざまな機関のビデオデータに適用する方法を実証する。
論文 参考訳（メタデータ） (2021-09-29T18:08:42Z) - SeaDronesSee: A Maritime Benchmark for Detecting Humans in Open Water [13.216389226310987]
本稿では,大規模ビジュアルオブジェクト検出・追跡ベンチマーク(SeaDronesSee)を紹介する。
我々は,高度5～260mから0～90度までの様々な角度から,40万のインスタンスで54,000以上のフレームを収集,注釈した。
新たに構築したベンチマークをベースラインとして、最新のコンピュータビジョンアルゴリズムを複数評価します。
論文 参考訳（メタデータ） (2021-05-05T08:18:36Z) - SOON: Scenario Oriented Object Navigation with Graph-based Exploration [102.74649829684617]
人間のように3Dエンボディ環境のどこからでも言語ガイドされたターゲットに向かって移動する能力は、インテリジェントロボットの「聖杯」目標の1つです。
ほとんどのビジュアルナビゲーションベンチマークは、ステップバイステップの詳細な命令セットに導かれ、固定された出発点から目標に向かって移動することに焦点を当てている。
このアプローチは、人間だけが物体とその周囲がどのように見えるかを説明する現実世界の問題から逸脱し、ロボットにどこからでも航行を依頼する。
論文 参考訳（メタデータ） (2021-03-31T15:01:04Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - FGSD: A Dataset for Fine-Grained Ship Detection in High Resolution
Satellite Images [22.883300168530035]
高解像度リモートセンシング画像を用いた船舶検出は、海面規制に寄与する重要な課題である。
船舶検出研究の促進を目的として, FGSD と命名された, きめ細かな船舶検出データセットを新たに導入した。
このデータセットは、世界中の複数の大きな港からの船のサンプルを含む高解像度のリモートセンシング画像を集めている。
論文 参考訳（メタデータ） (2020-03-15T13:54:20Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳（メタデータ） (2020-02-10T15:25:19Z)
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。