論文の概要: A Comprehensive Approach for UAV Small Object Detection with Simulation-based Transfer Learning and Adaptive Fusion

• arxiv url: http://arxiv.org/abs/2109.01800v1
• Date: Sat, 4 Sep 2021 06:27:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:40:17.567325
• Title: A Comprehensive Approach for UAV Small Object Detection with Simulation-based Transfer Learning and Adaptive Fusion
• Title（参考訳）: シミュレーションに基づく移動学習と適応融合によるUAV小物体検出の総合的手法
• Authors: Chen Rui, Guo Youwei, Zheng Huafei, Jiang Hongyu
• Abstract要約: 深層学習は、UAVオブジェクト検出に広く採用されているが、このトピックに関する研究は、データセットの量とUAVの小さなスケールによって制限されている。 これらの課題に対処するために,シミュレーションデータに基づく伝達学習と適応融合を組み合わせた新しい総合的なアプローチを提案する。 実験結果から,UAV物体検出における2.7%の性能向上につながるシミュレーションに基づく伝達学習の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Precisely detection of Unmanned Aerial Vehicles(UAVs) plays a critical role in UAV defense systems. Deep learning is widely adopted for UAV object detection whereas researches on this topic are limited by the amount of dataset and small scale of UAV. To tackle these problems, a novel comprehensive approach that combines transfer learning based on simulation data and adaptive fusion is proposed. Firstly, the open-source plugin AirSim proposed by Microsoft is used to generate mass realistic simulation data. Secondly, transfer learning is applied to obtain a pre-trained YOLOv5 model on the simulated dataset and fine-tuned model on the real-world dataset. Finally, an adaptive fusion mechanism is proposed to further improve small object detection performance. Experiment results demonstrate the effectiveness of simulation-based transfer learning which leads to a 2.7% performance increase on UAV object detection. Furthermore, with transfer learning and adaptive fusion mechanism, 7.1% improvement is achieved compared to the original YOLO v5 model.
• Abstract（参考訳）: 無人航空機(UAV)の正確な検出は、UAV防衛システムにおいて重要な役割を果たす。 深層学習は、UAVオブジェクト検出に広く採用されているが、このトピックの研究は、データセットの量とUAVの小さなスケールによって制限されている。 これらの問題に対処するために,シミュレーションデータと適応融合に基づく転送学習を組み合わせる新しい包括的アプローチを提案する。 まず、Microsoftによって提案されたオープンソースのプラグインAirSimを使って、大量現実的なシミュレーションデータを生成する。 次に、実世界のデータセットのシミュレーションデータセットと微調整モデルに基づいて、事前学習したYOLOv5モデルを得る。 最後に,小型物体検出性能をさらに向上させる適応核融合機構を提案する。 実験結果は、UAV物体検出における2.7%の性能向上につながるシミュレーションベースの伝達学習の有効性を示す。 さらに、転送学習と適応融合機構により、元のyolo v5モデルと比較して7.1%の改善が得られた。

関連論文リスト

• Effective Intrusion Detection for UAV Communications using Autoencoder-based Feature Extraction and Machine Learning Approach [2.3845721581271206]
  本稿では,実際のデータセットを用いた自動エンコーダによるUAVの機械学習侵入検出手法を提案する。 実験の結果,提案手法は二分法および多クラス分類タスクのベースラインよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-10-01T08:44:23Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• UAV-enabled Collaborative Beamforming via Multi-Agent Deep Reinforcement Learning [79.16150966434299]
  本稿では,UAVを用いた協調ビームフォーミング多目的最適化問題 (UCBMOP) を定式化し,UAVの伝送速度を最大化し,全UAVのエネルギー消費を最小化する。 ヘテロジニアス・エージェント・信頼領域ポリシー最適化(HATRPO)を基本フレームワークとし,改良されたHATRPOアルゴリズム,すなわちHATRPO-UCBを提案する。
  論文  参考訳（メタデータ） (2024-04-11T03:19:22Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
  無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。 本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T02:14:13Z)
• Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
  Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。 近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。 本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
  論文  参考訳（メタデータ） (2023-12-18T09:52:14Z)
• Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
  本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。 シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
  論文  参考訳（メタデータ） (2023-09-22T20:52:50Z)
• Archangel: A Hybrid UAV-based Human Detection Benchmark with Position and Pose Metadata [10.426019628829204]
  ArchangelはUAVベースのオブジェクト検出データセットで、実際のサブセットと合成サブセットで構成されている。 一連の実験は、メタデータを活用する利点を実証するために、最先端のオブジェクト検出器で慎重に設計されている。
  論文  参考訳（メタデータ） (2022-08-31T21:45:16Z)
• Vision-Based UAV Self-Positioning in Low-Altitude Urban Environments [20.69412701553767]
  無人航空機(UAV)は安定した位置決めのために衛星システムに依存している。 このような状況下では、視覚に基づく技術が代替手段として機能し、UAVの自己配置能力を確実にする。 本稿では,UAV自己配置タスク用に設計された最初の公開データセットであるDenseUAVを提案する。
  論文  参考訳（メタデータ） (2022-01-23T07:18:55Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。