論文の概要: Small or Far Away? Exploiting Deep Super-Resolution and Altitude Data
for Aerial Animal Surveillance
- arxiv url: http://arxiv.org/abs/2111.06830v1
- Date: Fri, 12 Nov 2021 17:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-15 14:22:12.880251
- Title: Small or Far Away? Exploiting Deep Super-Resolution and Altitude Data
for Aerial Animal Surveillance
- Title（参考訳）: 小さい? 遠い?
航空動物監視のための深部超解像と高度データ
- Authors: Mowen Xue, Theo Greenslade, Majid Mirmehdi, Tilo Burghardt
- Abstract要約: 本研究では,全体的注目ネットワークに基づく超解像手法と,カスタム構築された高度データ利用ネットワークにより,実環境における検出の有効性が向上することを示す。
SAVMAP と AED の2つの大型航空捕獲動物データセットを用いて,本システムの評価を行った。
- 参考スコア（独自算出の注目度）: 3.8015092217142223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visuals captured by high-flying aerial drones are increasingly used to assess
biodiversity and animal population dynamics around the globe. Yet, challenging
acquisition scenarios and tiny animal depictions in airborne imagery, despite
ultra-high resolution cameras, have so far been limiting factors for applying
computer vision detectors successfully with high confidence. In this paper, we
address the problem for the first time by combining deep object detectors with
super-resolution techniques and altitude data. In particular, we show that the
integration of a holistic attention network based super-resolution approach and
a custom-built altitude data exploitation network into standard recognition
pipelines can considerably increase the detection efficacy in real-world
settings. We evaluate the system on two public, large aerial-capture animal
datasets, SAVMAP and AED. We find that the proposed approach can consistently
improve over ablated baselines and the state-of-the-art performance for both
datasets. In addition, we provide a systematic analysis of the relationship
between animal resolution and detection performance. We conclude that
super-resolution and altitude knowledge exploitation techniques can
significantly increase benchmarks across settings and, thus, should be used
routinely when detecting minutely resolved animals in aerial imagery.
- Abstract（参考訳）: 高空飛行ドローンが捉えた視覚は、世界中の生物多様性と動物集団の動態を評価するためにますます使われている。
しかし、超高解像度カメラにもかかわらず、空中画像における取得シナリオや小さな動物描写は、これまでコンピュータビジョン検出器を高い信頼性で適用するための制限要因だった。
本稿では,深部物体検出器と超解像技術と高度データを組み合わせることで,この問題に初めて対処する。
特に, 総合的アテンションネットワークに基づく超解像手法と, 高度データ活用ネットワークを標準認識パイプラインに統合することにより, 実世界における検出効率が大幅に向上することを示す。
SAVMAP と AED の2つの大型航空捕獲動物データセットを用いて,本システムの評価を行った。
提案手法は,ベースラインのアブレーションや,両データセットの最先端性能を一貫して改善できることがわかった。
さらに,動物の分解能と検出性能の関係を系統的に解析する。
超高分解能・高度知識利用技術は, 設定のベンチマークを著しく向上させることができるため, 空中画像中の微小分解動物を検出する際には, 日常的に使用すべきである。
関連論文リスト
- Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve
Aerial Visual Perception? [57.77643186237265]
我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。
MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。
これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
論文 参考訳（メタデータ） (2023-12-07T18:59:14Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Weakly supervised marine animal detection from remote sensing images
using vector-quantized variational autoencoder [4.812718493682454]
本稿では, 海洋環境における航空画像からの弱教師付き動物検出のための再構成に基づくアプローチについて検討する。
異常検出フレームワークは、入力空間上で直接メトリクスを計算し、解釈可能性と異常なローカライゼーションを高める。
我々のフレームワークは、異常の解釈性と局所化を改善し、海洋生態系のモニタリングに有用な洞察を提供する。
論文 参考訳（メタデータ） (2023-07-13T12:26:27Z) - Progressive Domain Adaptation with Contrastive Learning for Object
Detection in the Satellite Imagery [0.0]
最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。
本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。
未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
論文 参考訳（メタデータ） (2022-09-06T15:16:35Z) - Towards Robust Drone Vision in the Wild [1.14219428942199]
本稿では,ドローンビジョンのための画像超解像データセットを提案する。
異なる高度でデータを収集し、画像ペアを整列させる前処理手順を提案する。
異なる高度で頑健な画像超解像ネットワークを構築するための2つの手法が提案されている。
論文 参考訳（メタデータ） (2022-08-21T18:19:19Z) - 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) - AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large
Scenes [57.969186815591186]
大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。
本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-19T03:30:22Z) - EmergencyNet: Efficient Aerial Image Classification for Drone-Based
Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。
緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。
マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
論文 参考訳（メタデータ） (2021-04-28T20:24:10Z) - 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) - EAGLE: Large-scale Vehicle Detection Dataset in Real-World Scenarios
using Aerial Imagery [3.8902657229395894]
航空画像における物体方向情報を用いた多種多様な車両検出のための大規模データセットを提案する。
様々なカメラセンサー、解像度、飛行高度、天候、照明、ヘイズ、シャドウ、時間、都市、国、オクルージョン、カメラアングルを備えた、さまざまな現実世界の状況からなる高解像度の空中画像が特徴である。
215,986のインスタンスに4つのポイントと向きで定義された向き付きバウンディングボックスがアノテートされており、このタスクでこれまでで最大のデータセットとなっている。
また、ヘイズやシャドウ除去の研究や、超高解像度やインペイントの応用も支援している。
論文 参考訳（メタデータ） (2020-07-12T23:00:30Z)
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。