論文の概要: Airplane Detection Based on Mask Region Convolution Neural Network
- arxiv url: http://arxiv.org/abs/2108.12817v1
- Date: Sun, 29 Aug 2021 10:55:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 14:26:39.220777
- Title: Airplane Detection Based on Mask Region Convolution Neural Network
- Title（参考訳）: マスク領域畳み込みニューラルネットワークによる航空機検出
- Authors: W.T. Alshaibani, Mustafa Helvaci, Ibraheem Shayea, Hafizal Mohamad
- Abstract要約: 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。
- 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: Addressing airport traffic jams is one of the most crucial and challenging
tasks in the remote sensing field, especially for the busiest airports. Several
solutions have been employed to address this problem depending on the airplane
detection process. The most effective solutions are through the use of
satellite images with deep learning techniques. Such solutions, however, are
significantly costly and require satellites and modern complicated technology
which may not be available in most countries worldwide. This paper provides a
universal, low cost and fast solution for airplane detection in airports. This
paper recommends the use of drones instead of satellites to feed the system
with drone images using a proposed deep learning model. Drone images are
employed as the dataset to train and evaluate a mask region convolution neural
network (RCNN) model. The Mask RCNN model applies faster RCNN as its base
configuration with critical modifications on its head neural network
constructions. The model detects whether or not an airplane is present and
includes mask estimations to approximate surface area and length, which will
help future works identify the airplane type. This solution can be easily
implemented globally as it is a low-cost and fast solution for airplane
detection at airports. The evaluation process reveals promising results
according to Microsoft Common Objects in Context (COCO) metrics.
- Abstract（参考訳）: 空港交通渋滞への対処は、特に最も忙しい空港において、リモートセンシング分野において最も重要かつ困難な課題の1つである。
航空機検出プロセスに応じてこの問題に対処するために、いくつかの解決策が採用されている。
最も効果的な解決策は、ディープラーニング技術を用いた衛星画像の利用である。
しかし、このようなソリューションは非常にコストがかかり、世界中のほとんどの国では利用できない衛星や現代的な複雑な技術が必要となる。
本論文は空港における航空機検出のための普遍的で低コストで高速なソリューションを提供する。
本稿では,提案するディープラーニングモデルを用いて,衛星ではなく,システムに対してドローン画像を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。
Mask RCNNモデルは、より高速なRCNNをベース構成として適用し、ヘッドニューラルネットワーク構造に重要な変更を加えている。
このモデルは、飛行機が存在するか否かを検知し、表面積と長さを近似するマスク推定を含む。
このソリューションは、空港での航空機検出のための低コストで高速なソリューションであるため、グローバルに容易に実装できる。
評価プロセスは、Microsoft Common Objects in Context(COCO)メトリクスによる有望な結果を明らかにする。
関連論文リスト
- 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) - A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。
HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。
予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
論文 参考訳（メタデータ） (2022-04-22T23:49:44Z) - 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 Type Identification Based on Mask RCNN and Drone Images [0.0]
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。
論文 参考訳（メタデータ） (2021-08-29T10:25:13Z) - Rapid Detection of Aircrafts in Satellite Imagery based on Deep Neural
Networks [2.7716102039510564]
本論文では,深層学習技術を用いた衛星画像の航空機検出に焦点をあてる。
本稿では,航空機検出にYOLO深層学習フレームワークを用いた。
改良されたモデルは小さい、回転する、および密集した目的がリアルタイムの条件を満たす異なった未知のイメージのよい正確さそして性能を示します。
論文 参考訳（メタデータ） (2021-04-21T18:13:16Z) - 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) - MRDet: A Multi-Head Network for Accurate Oriented Object Detection in
Aerial Images [51.227489316673484]
水平アンカーから変換された指向性提案を生成するために、任意指向領域提案ネットワーク(AO-RPN)を提案する。
正確なバウンディングボックスを得るために,検出タスクを複数のサブタスクに分離し,マルチヘッドネットワークを提案する。
各ヘッドは、対応するタスクに最適な特徴を学習するために特別に設計されており、ネットワークがオブジェクトを正確に検出することができる。
論文 参考訳（メタデータ） (2020-12-24T06:36:48Z) - SyNet: An Ensemble Network for Object Detection in UAV Images [13.198689566654107]
本稿では,マルチステージ方式とシングルステージ方式を組み合わせたアンサンブルネットワークであるSyNetを提案する。
ビルディングブロックとして、センシング戦略とともに、プリトレーニング特徴抽出器を備えたセンタネットおよびカスケードr−cnnを利用する。
提案手法により得られた技術成果を2つの異なるデータセットで報告する。
論文 参考訳（メタデータ） (2020-12-23T21:38:32Z) - 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)
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。