論文の概要: Combined Person Classification with Airborne Optical Sectioning

• arxiv url: http://arxiv.org/abs/2106.10077v1
• Date: Fri, 18 Jun 2021 11:56:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-21 14:05:06.175360
• Title: Combined Person Classification with Airborne Optical Sectioning
• Title（参考訳）: 空中光切断による複合人物分類
• Authors: Indrajit Kurmi, David C. Schedl, and Oliver Bimber
• Abstract要約: 完全に自律的なドローンは、森林の天蓋を強く排除し、失われたり負傷したりすることを実証されている。 AOS(Airborne Optical Sectioning)は、新しい合成開口イメージング技術であり、ディープラーニングに基づく分類により、現実的な探索・救助条件下で高い検出率を実現する。 単一の積分画像ではなく、複数のAOSの分類を組み合わせることで、偽検出が著しく抑制され、真の検出が促進されることを示す。
• 参考スコア（独自算出の注目度）: 1.8352113484137622
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fully autonomous drones have been demonstrated to find lost or injured persons under strongly occluding forest canopy. Airborne Optical Sectioning (AOS), a novel synthetic aperture imaging technique, together with deep-learning-based classification enables high detection rates under realistic search-and-rescue conditions. We demonstrate that false detections can be significantly suppressed and true detections boosted by combining classifications from multiple AOS rather than single integral images. This improves classification rates especially in the presence of occlusion. To make this possible, we modified the AOS imaging process to support large overlaps between subsequent integrals, enabling real-time and on-board scanning and processing of groundspeeds up to 10 m/s.
• Abstract（参考訳）: 完全に自律的なドローンは、森林の天蓋を強く排除し、失われたり負傷したりすることを実証されている。 新しい合成開口イメージング技術であるairborne optical sectioning (aos) とディープラーニングに基づく分類は、リアルな探索・認識条件下で高い検出率を可能にする。 単一積分画像ではなく,複数のaosの分類を組み合わせることで,誤検出が著しく抑制され,真の検出が促進されることを示す。 これにより、特に閉塞の存在下での分類率が向上する。 これを実現するために,AOS撮像法を改良し,その後の積分の重なり合いをサポートし,リアルタイム・オンボード走査と地上速度の最大10m/sの処理を可能にした。

関連論文リスト

• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential Deepfake Detection [81.59191603867586]
  シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。 偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。 顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
  論文  参考訳（メタデータ） (2023-07-06T02:32:08Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• Phase Aberration Robust Beamformer for Planewave US Using Self-Supervised Learning [41.10604715789614]
  本稿では,位相収差堅牢な平面波イメージングを実現する3次元CNNを提案する。 我々のアプローチは、ネットワークが様々な位相収差画像から高品質な画像を堅牢に生成するために、自己教師型で訓練されているという点で独特である。
  論文  参考訳（メタデータ） (2022-02-16T12:17:01Z)
• An Autonomous Drone for Search and Rescue in Forests using Airborne Optical Sectioning [0.0]
  密閉された森林に完全自律的に人々を発見できる最初のプロトタイプを紹介します。 様々な森林タイプで実施された17のフィールド実験で、ドローンは42人の隠れた人のうち38人を見つけた。 深層学習に基づく人物分類は、1次元合成開口内でのスパースや誤差の少ないサンプリングでは影響を受けない。
  論文  参考訳（メタデータ） (2021-05-10T13:05:22Z)
• Towards Image-based Automatic Meter Reading in Unconstrained Scenarios: A Robust and Efficient Approach [60.63996472100845]
  本稿では,制約のないシナリオに着目したAMR(Automatic Meter Reading)のエンドツーエンドアプローチを提案する。 我々の主な貢献は、コーナー検出とカウンタ分類と呼ばれる新しいステージをAMRパイプラインに挿入することである。 信頼度が低い読みを拒絶した場合,AMRシステムは印象的な認識率(すなわち99%)を達成することを示す。
  論文  参考訳（メタデータ） (2020-09-21T21:21:23Z)
• Search and Rescue with Airborne Optical Sectioning [7.133136338850781]
  分類の前に多視点画像を組み合わせることで、自動人物検出を著しく改善できることを示す。 発見は、自律航空機や有人航空機と組み合わせて適用できる効果的な将来の捜索救助技術の基礎を築いた。
  論文  参考訳（メタデータ） (2020-09-18T13:40:19Z)
• Evading Deepfake-Image Detectors with White- and Black-Box Attacks [75.13740810603686]
  一般的な法医学的アプローチは、ニューラルネットワークを訓練して、実際の合成内容と区別することを示します。 我々は,既存の画像生成装置の約0.95のLOC曲線(AUC)以下の領域を達成できる最先端の分類器に関する5つの攻撃事例研究を開発した。 また、ターゲット分類器にアクセスできないブラックボックス攻撃により、AUCを0.22に削減する。
  論文  参考訳（メタデータ） (2020-04-01T17:59:59Z)

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。