論文の概要: Airplane Type Identification Based on Mask RCNN and Drone Images
- arxiv url: http://arxiv.org/abs/2108.12811v1
- Date: Sun, 29 Aug 2021 10:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:26:55.702111
- Title: Airplane Type Identification Based on Mask RCNN and Drone Images
- Title（参考訳）: Mask RCNNとドローン画像を用いた航空機型識別
- Authors: W.T Alshaibani, Mustafa Helvaci, Ibraheem Shayea, Sawsan A. Saad,
Azizul Azizan and Fitri Yakub
- Abstract要約: 本稿では,マスク領域畳み込みニューラルネットワークを用いた航空機の検出結果に基づいて,空港における航空機の種類を特定するための実践的なアプローチを提案する。
検出された平面の長さは、検出された平面の2つのファーセスト点の間の距離を測定することで計算することができる。
- 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: For dealing with traffic bottlenecks at airports, aircraft object detection
is insufficient. Every airport generally has a variety of planes with various
physical and technological requirements as well as diverse service
requirements. Detecting the presence of new planes will not address all traffic
congestion issues. Identifying the type of airplane, on the other hand, will
entirely fix the problem because it will offer important information about the
plane's technical specifications (i.e., the time it needs to be served and its
appropriate place in the airport). Several studies have provided various
contributions to address airport traffic jams; however, their ultimate goal was
to determine the existence of airplane objects. This paper provides a practical
approach to identify the type of airplane in airports depending on the results
provided by the airplane detection process using mask region convolution neural
network. The key feature employed to identify the type of airplane is the
surface area calculated based on the results of airplane detection. The surface
area is used to assess the estimated cabin length which is considered as an
additional key feature for identifying the airplane type. The length of any
detected plane may be calculated by measuring the distance between the detected
plane's two furthest points. The suggested approach's performance is assessed
using average accuracies and a confusion matrix. The findings show that this
method is dependable. This method will greatly aid in the management of airport
traffic congestion.
- Abstract（参考訳）: 空港の交通ボトルネックに対処するには、航空機の物体検出が不十分である。
どの空港にも、様々な物理的および技術的要件と多様なサービス要件を持つ様々な飛行機がある。
新しい飛行機の存在を検出することは、すべての渋滞問題に対処するものではない。
一方、飛行機の種類を特定することは、飛行機の技術仕様に関する重要な情報を提供するため、問題を完全に解決する(つまり、飛行機が運航される時間と空港の適切な場所)。
いくつかの研究は空港の交通渋滞に対処するために様々な貢献をしてきたが、最終的な目標は航空機の物体の存在を決定することであった。
本稿では,マスク領域畳み込みニューラルネットワークを用いた航空機検出プロセスの結果に応じて,空港における航空機の種類を識別するための実用的な手法を提案する。
航空機の種類を特定するために用いられる重要な特徴は、航空機検出の結果に基づいて計算された表面積である。
表面積は、航空機タイプを識別するための追加的特徴であると考えられるキャビン長の推定に使用される。
検出された平面の長さは、検出された平面の2つの端点間の距離を測定することで計算することができる。
提案手法の性能は平均確率と混乱行列を用いて評価される。
その結果,本手法は信頼性が高いことがわかった。
この方法は空港交通渋滞の管理に大いに役立ちます。
関連論文リスト
- Intelligent Known and Novel Aircraft Recognition -- A Shift from
Classification to Similarity Learning for Combat Identification [0.7841783185186357]
本研究は,ノウン型に加えて,ノベル/アンノウン型航空機の正確な認識について論じる。
ヒトの専門家による戦闘識別と画像分類の伝統的な手法は、新しいクラスを特定するのに不足している。
我々の手法は、軍用と民間の幅広い航空機の特徴を明らかにするために類似性学習を利用する。
論文 参考訳（メタデータ） (2024-02-26T11:08:26Z) - The State of Aerial Surveillance: A Survey [62.198765910573556]
本稿では、コンピュータビジョンとパターン認識の観点から、人間中心の空中監視タスクの概要を概観する。
主な対象は、単体または複数の被験者が検出され、特定され、追跡され、再同定され、その振る舞いが分析される人間である。
論文 参考訳（メタデータ） (2022-01-09T20:13:27Z) - 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) - Airplane Detection Based on Mask Region Convolution Neural Network [0.0]
本稿では、衛星の代わりにドローンを使ってシステムをドローン画像で供給することを推奨する。
ドローン画像は、マスク領域畳み込みニューラルネットワーク(RCNN)モデルをトレーニングし、評価するためのデータセットとして使用される。
モデルは、航空機が存在するか否かを検出し、表面積と長さを近似するマスク推定を含む。
論文 参考訳（メタデータ） (2021-08-29T10:55:18Z) - Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional
Network and Airport Situational Awareness Map [20.579487904188802]
空港に適用可能な高い予測精度を実現するためのビジョンベースソリューションを提案する。
本稿では,状況認識マップから空間的情報と時間的情報の両方をキャプチャする,エンドツーエンドのディープラーニングアーキテクチャであるTrajCNNを提案する。
提案手法は,ロサンゼルス国際空港での発着遅延の予測に有効である(約18分遅れ)。
論文 参考訳（メタデータ） (2021-05-19T07:38:57Z) - 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) - Data-driven Method for Estimating Aircraft Mass from Quick Access
Recorder using Aircraft Dynamics and Multilayer Perceptron Neural Network [4.828353666660018]
乗客と荷物を積載する航空機は、安全上の危険をもたらす可能性がある。
航空会社はこのツールを使って航空機のペイロードをよりよく利用することができる。
論文 参考訳（メタデータ） (2020-12-10T04:44:47Z) - Deep4Air: A Novel Deep Learning Framework for Airport Airside
Surveillance [0.9449650062296822]
コンピュータビジョンに基づく新しいフレームワーク,すなわち"Deep4Air"を提案する。
滑走路やタクシー道で航空機の速度と距離をリアルタイムで分析する。
提案するフレームワークは、航空機を効率的に検出・追跡する適応型ディープニューラルネットワークを含む。
論文 参考訳（メタデータ） (2020-10-02T06:33:21Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。