論文の概要: Rethinking Drone-Based Search and Rescue with Aerial Person Detection
- arxiv url: http://arxiv.org/abs/2111.09406v1
- Date: Wed, 17 Nov 2021 21:48:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-20 00:45:02.452086
- Title: Rethinking Drone-Based Search and Rescue with Aerial Person Detection
- Title（参考訳）: 空中人物検出によるドローンによる捜索救助の再考
- Authors: Pasi Pyrr\"o, Hassan Naseri, Alexander Jung
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 79.76669658740902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The visual inspection of aerial drone footage is an integral part of land
search and rescue (SAR) operations today. Since this inspection is a slow,
tedious and error-prone job for humans, we propose a novel deep learning
algorithm to automate this aerial person detection (APD) task. We experiment
with model architecture selection, online data augmentation, transfer learning,
image tiling and several other techniques to improve the test performance of
our method. We present the novel Aerial Inspection RetinaNet (AIR) algorithm as
the combination of these contributions. The AIR detector demonstrates
state-of-the-art performance on a commonly used SAR test data set in terms of
both precision (~21 percentage point increase) and speed. In addition, we
provide a new formal definition for the APD problem in SAR missions. That is,
we propose a novel evaluation scheme that ranks detectors in terms of
real-world SAR localization requirements. Finally, we propose a novel
postprocessing method for robust, approximate object localization: the merging
of overlapping bounding boxes (MOB) algorithm. This final processing stage used
in the AIR detector significantly improves its performance and usability in the
face of real-world aerial SAR missions.
- Abstract（参考訳）: 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。
この検査は人間にとって退屈で退屈な作業であるので,この空中人物検出(APD)タスクを自動化するための新しい深層学習アルゴリズムを提案する。
我々は,モデルアーキテクチャの選択,オンラインデータ拡張,移動学習,画像タイリングなどの手法を実験して,本手法の試験性能を向上する。
本稿では,これらの貢献の組み合わせとして,新しい空中検査網膜 (air) アルゴリズムを提案する。
AIR検出器は、一般的に使用されるSARテストデータセットに対して、精度(約21パーセントのポイント増加)と速度の両方で最先端の性能を示す。
さらに,SARミッションにおけるAPD問題に対する新たな公式定義を提供する。
すなわち,実世界のSARローカライゼーション要件の観点から検出器をランク付けする新しい評価手法を提案する。
最後に、重なり合うバウンディングボックス(MOB)アルゴリズムのマージという、ロバストで近似的なオブジェクトローカライゼーションのための新しいポストプロセッシング手法を提案する。
AIR検出器で使用される最終処理段階は、現実世界のSARミッションでの性能とユーザビリティを著しく向上させる。
関連論文リスト
- Unfolding Target Detection with State Space Model [8.493729039825332]
本稿では,CFAR検出器を状態空間モデルアーキテクチャに展開することにより,信号処理とディープラーニングを組み合わせた新しい手法を提案する。
CFARパイプラインを保存し、洗練された構成をトレーニング可能なパラメータにすることで、手動パラメータチューニングなしで高い検出性能を実現する。
その結果,提案手法の顕著な性能,CFARとその変種を検出率と誤警報率で10倍に向上させることができた。
論文 参考訳（メタデータ） (2024-10-30T07:43:18Z) - FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。
この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。
YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
論文 参考訳（メタデータ） (2024-04-03T17:24:27Z) - Global-Local MAV Detection under Challenging Conditions based on
Appearance and Motion [27.11400452401168]
本研究では,MAV検出のための動作特徴と外観特徴を融合させるグローバルなMAV検出器を提案する。
提案した検出器の有効性をトレーニングし、検証するために、新しいデータセットが作成される。
特に、この検出器はNVIDIA Jetson NX Xavier上でほぼリアルタイムのフレームレートで動作させることができる。
論文 参考訳（メタデータ） (2023-12-18T08:06:36Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - AZTR: Aerial Video Action Recognition with Auto Zoom and Temporal
Reasoning [63.628195002143734]
本稿では,空中映像の行動認識のための新しい手法を提案する。
提案手法は,UAVを用いて撮影したビデオに対して設計されており,エッジやモバイルデバイス上でも動作可能である。
我々は、カスタマイズされたオートズームを使用して、人間のターゲットを自動的に識別し、適切にスケールする学習ベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-03-02T21:24:19Z) - Aerial View Goal Localization with Reinforcement Learning [6.165163123577484]
本稿では,実際のUAVへのアクセスを必要とせずに,SAR(Search-and-Rescue)のようなセットアップをエミュレートするフレームワークを提案する。
この枠組みでは、エージェントが空中画像(探索領域のプロキシ)上で動作し、視覚的手がかりとして記述されたゴールのローカライズを行う。
AiRLocは、探索(遠方目標探索)と搾取(近方目標の局所化)を分離する強化学習(RL)に基づくモデルである。
論文 参考訳（メタデータ） (2022-09-08T10:27:53Z) - Attentional Feature Refinement and Alignment Network for Aircraft
Detection in SAR Imagery [24.004052923372548]
SAR(Synthetic Aperture Radar)画像における航空機検出は、航空機の離散的な外観、明らかなクラス内変異、小さなサイズ、深刻な背景の干渉のために難しい課題である。
本稿では,SAR画像中の航空機を競合精度と速度で検出する単一ショット検出器AFRANを提案する。
論文 参考訳（メタデータ） (2022-01-18T16:54:49Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - 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) - 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。