論文の概要: Lightweight Multi-Drone Detection and 3D-Localization via YOLO

• arxiv url: http://arxiv.org/abs/2202.09097v1
• Date: Fri, 18 Feb 2022 09:41:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-21 20:13:24.529400
• Title: Lightweight Multi-Drone Detection and 3D-Localization via YOLO
• Title（参考訳）: YOLOによる軽量マルチDrone検出と3Dローカライゼーション
• Authors: Aryan Sharma, Nitik Jain, and Mangal Kothari
• Abstract要約: 本稿では,実時間複数ドローン検出と3次元位置推定を行う手法を提案し,評価する。 我々は最先端の小さなYOLOv4オブジェクト検出アルゴリズムとステレオ三角測量を用いる。 我々のコンピュータビジョンアプローチは、計算コストのかかるステレオマッチングアルゴリズムを不要にする。
• 参考スコア（独自算出の注目度）: 1.284647943889634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present and evaluate a method to perform real-time multiple drone detection and three-dimensional localization using state-of-the-art tiny-YOLOv4 object detection algorithm and stereo triangulation. Our computer vision approach eliminates the need for computationally expensive stereo matching algorithms, thereby significantly reducing the memory footprint and making it deployable on embedded systems. Our drone detection system is highly modular (with support for various detection algorithms) and capable of identifying multiple drones in a system, with real-time detection accuracy of up to 77\% with an average FPS of 332 (on Nvidia Titan Xp). We also test the complete pipeline in AirSim environment, detecting drones at a maximum distance of 8 meters, with a mean error of $23\%$ of the distance. We also release the source code for the project, with pre-trained models and the curated synthetic stereo dataset.
• Abstract（参考訳）: 本研究では,最先端の小型YOLOv4オブジェクト検出アルゴリズムとステレオ三角測量を用いて,リアルタイムな複数ドローン検出と3次元位置決めを行う手法を提案する。 我々のコンピュータビジョンアプローチは、計算コストのかかるステレオマッチングアルゴリズムの必要性を排除し、メモリフットプリントを大幅に削減し、組み込みシステムにデプロイできるようにする。 当社のドローン検出システムは高度にモジュール化されており(さまざまな検出アルゴリズムをサポート)、システム内の複数のドローンを識別することが可能で、リアルタイム検出精度は最大77倍、平均FPSは332(Nvidia Titan Xp)である。 また、AirSim環境で完全なパイプラインをテストし、最大距離8mでドローンを検知し、平均誤差は23.%である。 また、トレーニング済みのモデルとキュレートされた合成ステレオデータセットを備えた、プロジェクトのソースコードもリリースしています。

関連論文リスト

• 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)
• Sparse Points to Dense Clouds: Enhancing 3D Detection with Limited LiDAR Data [68.18735997052265]
  単分子と点雲に基づく3次元検出の利点を組み合わせたバランスの取れたアプローチを提案する。 本手法では,低コストで低解像度のセンサから得られる3Dポイントを少数必要としている。 3次元検出の精度は最先端の単分子検出法と比較して20%向上する。
  論文  参考訳（メタデータ） (2024-04-10T03:54:53Z)
• An Empirical Analysis of Range for 3D Object Detection [70.54345282696138]
  本稿では,長距離検出データセットArgoverse 2.0を用いた遠距離3次元検出の実験的検討を行った。 近接場LiDARの測定は、小さなボクセルによって密度が高く最適に符号化され、遠距離場の測定は疎く、大きなボクセルで符号化されている。 本研究では,33%の効率向上と3.2%のCDSの精度向上を図った。
  論文  参考訳（メタデータ） (2023-08-08T05:29:26Z)
• 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)
• Small Object Detection using Deep Learning [0.28675177318965034]
  提案システムは,高速物体検出モデル(YOLO)のフレーバーであるTiny YOLOv3(Tiny YOLOv3)を構築・使用した。 提案したアーキテクチャは、以前のYOLOバージョンに比べて大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-01-10T09:58:25Z)
• CFTrack: Center-based Radar and Camera Fusion for 3D Multi-Object Tracking [9.62721286522053]
  本稿では,レーダとカメラセンサの融合に基づく共同物体検出と追跡のためのエンドツーエンドネットワークを提案する。 提案手法では,物体検出に中心型レーダカメラ融合アルゴリズムを用い,物体関連にグリーディアルゴリズムを用いる。 提案手法は,20.0AMOTAを達成し,ベンチマークにおける視覚ベースの3Dトラッキング手法よりも優れる,挑戦的なnuScenesデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-07-11T23:56:53Z)
• Detection, Tracking, and Counting Meets Drones in Crowds: A Benchmark [97.07865343576361]
  DroneCrowdという新しいドローンキャプチャ型大規模データセットによるベンチマークを構築した。 私たちは4800万人の頭といくつかのビデオレベルの属性を持つ20,800人のトラジェクタに注釈を付けます。 我々は、密集した群衆の物体の検出、追跡、数え上げを行うための強力なベースラインとして、Space-Time Neighbor-Aware Network (STNNet)を設計する。
  論文  参考訳（メタデータ） (2021-05-06T04:46:14Z)
• 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)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)
• Expedited Multi-Target Search with Guaranteed Performance via Multi-fidelity Gaussian Processes [9.434133337939496]
  本研究では,自動運転車が3次元環境下で動作し,環境の2次元フロア上で未知の静止目標を探索するシナリオを考察する。 床面から異なる高度で利用可能なセンシング情報を体系的に記述する多要素ガウス法を用いて、センシング場をモデル化する。 センサモデルに基づいて,マルチターゲット探索 (EMTS) と呼ばれる新しいアルゴリズムを設計し,その適用範囲と精度のトレードオフに対処する。
  論文  参考訳（メタデータ） (2020-05-18T02:53:52Z)

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。