論文の概要: EYNet: Extended YOLO for Airport Detection in Remote Sensing Images

• arxiv url: http://arxiv.org/abs/2203.14007v1
• Date: Sat, 26 Mar 2022 07:07:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 12:44:26.554057
• Title: EYNet: Extended YOLO for Airport Detection in Remote Sensing Images
• Title（参考訳）: EYNet:リモートセンシング画像における空港検出用拡張YOLO
• Authors: Hengameh Mirhajianmoghadam, Behrouz Bolourian Haghighi
• Abstract要約: 本研究は, YOLOV3 と ShearLet 変換を拡張した有効スキームを提案する。 MobileNetとResNet18は、同様のデータセットで再トレーニングされたレイヤとパラメータが少なく、ベースネットワークとして並列にトレーニングされている。 DIORデータセットの実験結果から,異なるタイプの空港を確実に検出できることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, airport detection in remote sensing images has attracted considerable attention due to its strategic role in civilian and military scopes. In particular, uncrewed and operated aerial vehicles must immediately detect safe areas to land in emergencies. The previous schemes suffered from various aspects, including complicated backgrounds, scales, and shapes of the airport. Meanwhile, the rapid action and accuracy of the method are confronted with significant concerns. Hence, this study proposes an effective scheme by extending YOLOV3 and ShearLet transform. In this way, MobileNet and ResNet18, with fewer layers and parameters retrained on a similar dataset, are parallelly trained as base networks. According to airport geometrical characteristics, the ShearLet filters with different scales and directions are considered in the first convolution layers of ResNet18 as a visual attention mechanism. Besides, the major extended in YOLOV3 concerns the detection Sub-Networks with novel structures which boost object expression ability and training efficiency. In addition, novel augmentation and negative mining strategies are presented to significantly increase the localization phase's performance. The experimental results on the DIOR dataset reveal that the framework reliably detects different types of airports in a varied area and acquires robust results in complex scenes compared to traditional YOLOV3 and state-of-the-art schemes.
• Abstract（参考訳）: 今日では、民間・軍事分野での戦略的役割から、リモートセンシング画像における空港検出が注目されている。 特に、無人航空機は緊急時に着陸する安全な場所を直ちに検出しなければならない。 以前の計画では、空港の複雑な背景、スケール、形状など様々な側面に苦しめられた。 一方,本手法の迅速な動作と精度は重大な懸念に直面している。 そこで本研究では, YOLOV3 と ShearLet 変換を拡張した有効スキームを提案する。 このようにして、mobilenetとresnet18は、同じデータセット上で再トレーニングされたレイヤとパラメータが少なく、ベースネットワークとして並列にトレーニングされる。 空港の幾何学的特性により、resnet18の第1畳み込み層において、異なるスケールと方向のせん断フィルタが視覚的注意機構として考慮される。 さらに、YOLOV3のメジャー拡張は、オブジェクト表現能力とトレーニング効率を高める新しい構造を持つサブネットワークの検出に関するものだ。 さらに, 局部化フェーズの性能を著しく向上させるため, 新規な増設と負の鉱業戦略を示す。 DIORデータセットを用いた実験結果から, 従来のYOLOV3や最先端のスキームと比較して, 様々なエリアの空港の種類を確実に検出し, 複雑な場面で堅牢な結果が得られることがわかった。

関連論文リスト

• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• 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)
• SGDViT: Saliency-Guided Dynamic Vision Transformer for UAV Tracking [12.447854608181833]
  本研究は、UAV追跡のための新しいサリエンシ誘導動的視覚変換器(SGDViT)を提案する。 提案手法は,クロスコリレーション操作を洗練させるために,タスク固有の新たなオブジェクト・サリエンシ・マイニング・ネットワークを設計する。 軽量な塩分フィルタリング変換器は、さらに塩分情報を洗練し、外観情報に焦点を当てる。
  論文  参考訳（メタデータ） (2023-03-08T05:01:00Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
  ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。 ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-02-14T07:01:01Z)
• 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)
• Self-aligned Spatial Feature Extraction Network for UAV Vehicle Re-identification [3.449626476434765]
  同じ色とタイプを持つ車両は、UAVの観点から非常に類似した外観を示している。 最近の研究は、地域的特徴と構成要素的特徴によって区別される情報を抽出する傾向がある。 効率的なきめ細かい特徴を抽出し、退屈な注釈付け作業を避けるために、この手紙は教師なしの自己整合ネットワークを開発する。
  論文  参考訳（メタデータ） (2022-01-08T14:25:54Z)
• GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
  本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。 本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
  論文  参考訳（メタデータ） (2021-03-07T02:16:24Z)
• 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)
• PENet: Object Detection using Points Estimation in Aerial Images [9.33900415971554]
  これらの課題に対処するために,新しいネットワーク構造であるポイント推定ネットワーク(PENet)を提案する。 PENetはMask Resampling Module(MRM)を使用して、不均衡なデータセットを増大させ、粗いアンカーフリー検出器(CPEN)で小さなオブジェクトクラスタの中心点を効果的に予測し、微細なアンカーフリー検出器FPENで小さなオブジェクトの正確な位置を特定する。 航空データセット visDrone と UAVDT による実験により,PENet は既存の最先端手法よりも精度の高い結果を得た。
  論文  参考訳（メタデータ） (2020-01-22T19:43:17Z)

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。