論文の概要: DronePose: The identification, segmentation, and orientation detection
of drones via neural networks
- arxiv url: http://arxiv.org/abs/2112.05488v1
- Date: Fri, 10 Dec 2021 12:34:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 14:47:44.187608
- Title: DronePose: The identification, segmentation, and orientation detection
of drones via neural networks
- Title（参考訳）: DronePose:ニューラルネットワークによるドローンの識別、セグメンテーション、方向検出
- Authors: Stirling Scholes, Alice Ruget, German Mora-Martin, Feng Zhu, Istvan
Gyongy, and Jonathan Leach
- Abstract要約: 飛行中のドローンを完全に特徴付けるために,決定木とアンサンブル構造を用いたCNNを提案する。
我々のシステムは、ドローンの種類、方向(ピッチ、ロール、ヨー)を決定し、異なる身体部位を分類するためにセグメンテーションを行う。
また,高精度にラベル付けされた写真リアリスティックトレーニングデータを高速に生成するためのコンピュータモデルも提供する。
- 参考スコア（独自算出の注目度）: 3.161871054978445
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The growing ubiquity of drones has raised concerns over the ability of
traditional air-space monitoring technologies to accurately characterise such
vehicles. Here, we present a CNN using a decision tree and ensemble structure
to fully characterise drones in flight. Our system determines the drone type,
orientation (in terms of pitch, roll, and yaw), and performs segmentation to
classify different body parts (engines, body, and camera). We also provide a
computer model for the rapid generation of large quantities of accurately
labelled photo-realistic training data and demonstrate that this data is of
sufficient fidelity to allow the system to accurately characterise real drones
in flight. Our network will provide a valuable tool in the image processing
chain where it may build upon existing drone detection technologies to provide
complete drone characterisation over wide areas.
- Abstract（参考訳）: ドローンの普及は、従来の空域監視技術がそのような車両を正確に特徴付ける能力に懸念を抱いている。
ここでは、決定木とアンサンブル構造を用いて、飛行中のドローンを完全に特徴付けるCNNを提案する。
我々のシステムは、ドローンの種類、方向(ピッチ、ロール、ヨー)を決定し、異なるボディ部品(エンジン、ボディ、カメラ)を分類するためにセグメンテーションを行う。
また,高精度にラベル付けされた写真リアルなトレーニングデータを高速に生成するためのコンピュータモデルも提供し,実際のドローンを飛行中に正確に特徴付けるのに十分な忠実さを示す。
私たちのネットワークは、画像処理チェーンにおいて貴重なツールを提供し、既存のドローン検出技術を基盤として、広範囲にわたる完全なドローン特性を提供する。
関連論文リスト
- Drone-type-Set: Drone types detection benchmark for drone detection and tracking [0.6294091730968154]
本稿では,認識された物体検出モデルとの比較とともに,各種ドローンのデータセットを提供する。
異なるモデルの実験結果と各手法の記載が提供される。
論文 参考訳（メタデータ） (2024-05-16T18:56:46Z) - C2FDrone: Coarse-to-Fine Drone-to-Drone Detection using Vision Transformer Networks [23.133250476580038]
衝突回避、敵のドローン対策、捜索救助活動など、さまざまな用途において、視覚に基づくドローンからドローンまでの検出システムは不可欠である。
ドローンの検出には、小さなオブジェクトのサイズ、歪み、リアルタイム処理要求など、ユニークな課題がある。
本稿では,視覚変換器に基づく粗大な検出手法を提案する。
論文 参考訳（メタデータ） (2024-04-30T05:51:21Z) - 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 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) - Scarce Data Driven Deep Learning of Drones via Generalized Data
Distribution Space [12.377024173799631]
GAN(Generative Adversarial Network)を通じて、ドローンデータの一般的な分布を理解することで、不足したデータを取得して、迅速かつ正確な学習を実現することができることを示す。
我々は、実際のドローン画像とコンピュータ支援設計のシミュレーション画像の両方を含むドローン画像データセット上で、我々の結果を実証した。
論文 参考訳（メタデータ） (2021-08-18T17:07:32Z) - 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) - Real-Time Drone Detection and Tracking With Visible, Thermal and
Acoustic Sensors [66.4525391417921]
熱赤外カメラは、ドローン検出タスクに対する実現可能な解決策であることが示されている。
また,センサ間距離の関数としての検出器性能についても検討した。
ドローン、鳥、飛行機、ヘリコプターの650個の注釈付き赤外線と可視ビデオを含む新しいビデオデータセットも紹介されている。
論文 参考訳（メタデータ） (2020-07-14T23:06:42Z) - University-1652: A Multi-view Multi-source Benchmark for Drone-based
Geo-localization [87.74121935246937]
我々は、ドローンによるジオローカライゼーションのための新しいマルチビューベンチマーク、University-1652を紹介する。
大学1652は、世界中の1,652の大学の建物から合成ドローン、衛星、地上カメラなどの3つのプラットフォームからのデータを含んでいる。
実験の結果,University-1652は視点不変の特徴の学習を支援し,実世界のシナリオにおいて優れた一般化能力を有することが示された。
論文 参考訳（メタデータ） (2020-02-27T15:24:15Z) - Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。
当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。
本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文 参考訳（メタデータ） (2020-01-16T00:11:56Z)
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。