Fugu-MT 論文翻訳(概要): Scarce Data Driven Deep Learning of Drones via Generalized Data Distribution Space

論文の概要: Scarce Data Driven Deep Learning of Drones via Generalized Data Distribution Space

arxiv url: http://arxiv.org/abs/2108.08244v1
Date: Wed, 18 Aug 2021 17:07:32 GMT
ステータス: 処理完了
システム内更新日: 2021-08-19 14:36:20.095306
Title: Scarce Data Driven Deep Learning of Drones via Generalized Data Distribution Space
Title（参考訳）: 一般化データ分散空間によるドローンのスカースデータ駆動ディープラーニング
Authors: Chen Li, Schyler C. Sun, Zhuangkun Wei, Antonios Tsourdos, Weisi Guo
Abstract要約: GAN(Generative Adversarial Network)を通じて、ドローンデータの一般的な分布を理解することで、不足したデータを取得して、迅速かつ正確な学習を実現することができることを示す。我々は、実際のドローン画像とコンピュータ支援設計のシミュレーション画像の両方を含むドローン画像データセット上で、我々の結果を実証した。
参考スコア（独自算出の注目度）: 12.377024173799631
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Increased drone proliferation in civilian and professional settings has created new threat vectors for airports and national infrastructures. The economic damage for a single major airport from drone incursions is estimated to be millions per day. Due to the lack of diverse drone training data, accurate training of deep learning detection algorithms under scarce data is an open challenge. Existing methods largely rely on collecting diverse and comprehensive experimental drone footage data, artificially induced data augmentation, transfer and meta-learning, as well as physics-informed learning. However, these methods cannot guarantee capturing diverse drone designs and fully understanding the deep feature space of drones. Here, we show how understanding the general distribution of the drone data via a Generative Adversarial Network (GAN) and explaining the missing features using Topological Data Analysis (TDA) - can allow us to acquire missing data to achieve rapid and more accurate learning. We demonstrate our results on a drone image dataset, which contains both real drone images as well as simulated images from computer-aided design. When compared to random data collection (usual practice - discriminator accuracy of 94.67\% after 200 epochs), our proposed GAN-TDA informed data collection method offers a significant 4\% improvement (99.42\% after 200 epochs). We believe that this approach of exploiting general data distribution knowledge form neural networks can be applied to a wide range of scarce data open challenges.
Abstract（参考訳）: 民間や専門分野におけるドローンの増殖の増加は、空港や国家インフラに新たな脅威ベクターを生み出した。ドローンの侵入による1つの主要空港の経済被害は1日当たり数百万と見積もられている。多様なドローンの訓練データがないため、不足したデータの下でのディープラーニング検出アルゴリズムの正確なトレーニングが難しい。既存の手法は、多様で包括的な実験ドローンの映像データ収集、人工的なデータ拡張、転送、メタラーニング、物理学に基づく学習などに大きく依存している。しかし、これらの手法は多様なドローンの設計を捉え、ドローンの深い機能空間を完全に理解することを保証できない。本稿では,gan(generative adversarial network)によるドローンデータの一般分布の理解と,トポロジカルデータ解析(topological data analysis, tda)を用いた欠落した機能を説明することにより,欠落したデータを取得し,迅速かつ正確な学習を実現する方法を示す。実際のドローン画像とコンピュータ支援設計によるシミュレーション画像の両方を含む,ドローン画像データセット上で結果を示す。 GAN-TDAインフォメーションデータ収集法は, ランダムデータ収集(実例-200エポック後94.67\%)と比較して, 4エポック後99.42\%) に有意な改善(200エポック後99.42\%)をもたらす。一般的なデータ分散知識をニューラルネットワークとして活用するこのアプローチは、幅広い未解決のデータオープン課題に適用できると考えています。

関連論文リスト

Drone Detection using Deep Neural Networks Trained on Pure Synthetic Data [0.4369058206183195]
実世界のデータに転送する純粋に合成されたデータセットに基づいて訓練されたドローン検出高速RCNNモデルを提案する。以上の結果から, 合成データを用いたドローン検出は, 収集コストを低減し, ラベル付け品質を向上する可能性が示唆された。
論文参考訳（メタデータ） (2024-11-13T23:09:53Z)
Drone-type-Set: Drone types detection benchmark for drone detection and tracking [0.6294091730968154]
本稿では,認識された物体検出モデルとの比較とともに,各種ドローンのデータセットを提供する。異なるモデルの実験結果と各手法の記載が提供される。
論文参考訳（メタデータ） (2024-05-16T18:56:46Z)
Sound-based drone fault classification using multitask learning [7.726132010393797]
本稿では,DNN断層分類器とドローン音声データセットを提案する。データセットは、無響室の3つの異なるドローンに搭載されたマイクからドローンの操作音を収集することで構築された。得られたデータセットを用いて、短時間の入力波形から機械的故障の種類とその位置を分類する分類器である1DCNN-ResNetを訓練する。
論文参考訳（メタデータ） (2023-04-23T17:55:40Z)
Collaborative Learning with a Drone Orchestrator [79.75113006257872]
インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
論文参考訳（メタデータ） (2023-03-03T23:46:25Z)
TransVisDrone: Spatio-Temporal Transformer for Vision-based Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
論文参考訳（メタデータ） (2022-10-16T03:05:13Z)
DronePose: The identification, segmentation, and orientation detection of drones via neural networks [3.161871054978445]
飛行中のドローンを完全に特徴付けるために,決定木とアンサンブル構造を用いたCNNを提案する。我々のシステムは、ドローンの種類、方向(ピッチ、ロール、ヨー)を決定し、異なる身体部位を分類するためにセグメンテーションを行う。また,高精度にラベル付けされた写真リアリスティックトレーニングデータを高速に生成するためのコンピュータモデルも提供する。
論文参考訳（メタデータ） (2021-12-10T12:34:53Z)
Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文参考訳（メタデータ） (2021-11-17T21:48:31Z)
A dataset for multi-sensor drone detection [67.75999072448555]
近年,小型・遠隔操作無人航空機(UAV)の使用が増加している。ドローン検出に関するほとんどの研究は、取得デバイスの種類、ドローンの種類、検出範囲、データセットを特定することに失敗している。我々は、赤外線および可視ビデオとオーディオファイルを含むドローン検出のための注釈付きマルチセンサーデータベースにコントリビュートする。
論文参考訳（メタデータ） (2021-11-02T20:52:03Z)
Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
本稿では,他の飛行ドローンからドローンを検知する問題に対処する。ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
論文参考訳（メタデータ） (2021-03-31T17:43:31Z)
On-board Deep-learning-based Unmanned Aerial Vehicle Fault Cause Detection and Identification [6.585891825257162]
本稿では,センサデータに基づいてドローンの誤操作を検出し,分類する新しいアーキテクチャを提案する。提案したディープラーニングアーキテクチャを,実機でのシミュレーションと実験により検証する。我々のソリューションは90%以上の精度で検出でき、様々な種類のドローンの誤動作を分類できる。
論文参考訳（メタデータ） (2020-04-03T22:46:34Z)
Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文参考訳（メタデータ） (2020-01-16T00:11:56Z)

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。