論文の概要: Leveraging Synthetic Data in Object Detection on Unmanned Aerial Vehicles

• arxiv url: http://arxiv.org/abs/2112.12252v1
• Date: Wed, 22 Dec 2021 22:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-25 03:00:00.212846
• Title: Leveraging Synthetic Data in Object Detection on Unmanned Aerial Vehicles
• Title（参考訳）: 無人航空機の物体検出における合成データの利用
• Authors: Benjamin Kiefer, David Ott, Andreas Zell
• Abstract要約: オープンソースフレームワークのDeepGTAVを拡張して,UAVシナリオに対処します。 いくつかの領域の様々な大規模高分解能合成データセットをキャプチャして、UAVからの実物検出に利用したことを示す。
• 参考スコア（独自算出の注目度）: 14.853897011640022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Acquiring data to train deep learning-based object detectors on Unmanned Aerial Vehicles (UAVs) is expensive, time-consuming and may even be prohibited by law in specific environments. On the other hand, synthetic data is fast and cheap to access. In this work, we explore the potential use of synthetic data in object detection from UAVs across various application environments. For that, we extend the open-source framework DeepGTAV to work for UAV scenarios. We capture various large-scale high-resolution synthetic data sets in several domains to demonstrate their use in real-world object detection from UAVs by analyzing multiple training strategies across several models. Furthermore, we analyze several different data generation and sampling parameters to provide actionable engineering advice for further scientific research. The DeepGTAV framework is available at https://git.io/Jyf5j.
• Abstract（参考訳）: 無人航空機(UAV)の深層学習に基づく物体検出装置(deep learning-based object detectors)を訓練するためのデータを取得するのは費用がかかり、時間を要する。 一方、合成データは高速でアクセスが容易である。 本稿では,様々なアプリケーション環境におけるuavからのオブジェクト検出における合成データの利用の可能性について検討する。 そのため、オープンソースのフレームワークであるDeepGTAVをUAVシナリオに拡張しています。 我々は,様々な領域の大規模高分解能合成データセットをキャプチャし,複数のモデルにまたがる複数のトレーニング戦略を解析し,uavによる実世界の物体検出におけるそれらの利用を実証する。 さらに、複数の異なるデータ生成パラメータとサンプリングパラメータを分析し、さらなる科学的研究に有効なエンジニアリングアドバイスを提供する。 deepgtavフレームワークはhttps://git.io/jyf5jで利用可能である。

関連論文リスト

• UAVDB: Trajectory-Guided Adaptable Bounding Boxes for UAV Detection [0.03464344220266879]
  パッチ強度収束(Patch Intensity Convergence、PIC)技術は、手動ラベリングなしでUAV検出のための高忠実なバウンディングボックスを生成する。 この技術は、UAV検出に特化した専用データベースであるUAVDBの基礎となる。 我々は,最先端(SOTA)YOLO系列検出器を用いてUAVDBをベンチマークし,総合的な性能解析を行った。
  論文  参考訳（メタデータ） (2024-09-09T13:27:53Z)
• UAV (Unmanned Aerial Vehicles): Diverse Applications of UAV Datasets in Segmentation, Classification, Detection, and Tracking [0.0]
  無人航空機(UAV)は、さまざまな研究領域におけるデータの収集と分析のプロセスに革命をもたらした。 UAVデータセットは、衛星画像、ドローンが撮影した画像、ビデオなど、さまざまな種類のデータで構成されている。 これらのデータセットは、災害被害評価、航空監視、物体認識、追跡において重要な役割を果たす。
  論文  参考訳（メタデータ） (2024-09-05T04:47:36Z)
• Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
  制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。 ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。 BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
  論文  参考訳（メタデータ） (2024-07-10T18:00:54Z)
• UEMM-Air: A Synthetic Multi-modal Dataset for Unmanned Aerial Vehicle Object Detection [14.869928980343415]
  合成多モードUAVオブジェクト検出データセットUEMM-Airを提案する。 特に、Unreal Engine (UE) を用いて、様々なUAV飛行シナリオとオブジェクトタイプをシミュレートする。 UEMM-Airは5つのモダリティと正確なアノテーションを備えた20万枚の画像で構成されています。
  論文  参考訳（メタデータ） (2024-06-10T13:00:22Z)
• 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)
• CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
  本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。 このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。 本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
  論文  参考訳（メタデータ） (2022-06-09T09:17:38Z)
• Deep Learning for UAV-based Object Detection and Tracking: A Survey [25.34399619170044]
  無人航空機(UAV)は最近、コンピュータビジョン(CV)とリモートセンシング(RS)の分野でホットスポットになっている。 近年のディープラーニング(DL)の成功に触発されて、様々なUAV関連タスクに多くの高度な物体検出と追跡アプローチが適用されている。 本稿では, DLを用いたUAV物体検出・追跡手法の研究の進展と今後の展望について概説する。
  論文  参考訳（メタデータ） (2021-10-25T04:43:24Z)
• 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)
• Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
  Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。 我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。 300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
  論文  参考訳（メタデータ） (2021-01-21T07:00:15Z)
• 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)
• SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
  マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。 観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。