論文の概要: SAD: A Large-scale Dataset towards Airport Detection in Synthetic Aperture Radar Images

• arxiv url: http://arxiv.org/abs/2204.00790v1
• Date: Sat, 2 Apr 2022 07:29:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 08:44:35.628264
• Title: SAD: A Large-scale Dataset towards Airport Detection in Synthetic Aperture Radar Images
• Title（参考訳）: SAD:合成開口レーダ画像における空港検出のための大規模データセット
• Authors: Fan Zhang, Daochang Wang, Fei Ma, Qiang Yin, Deliang Xiang, and Yongsheng Zhou
• Abstract要約: 空港検出用のSARデータセットは公開されていない。 本稿では,大規模SAR空港データセット(SAD)を紹介する。 センチネル1BのSAR画像は624枚あり、スケール、方向、形状の異なる104個の飛行場をカバーしている。
• 参考スコア（独自算出の注目度）: 14.587396528006462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Airports have an important role in both military and civilian domains. The synthetic aperture radar (SAR) based airport detection has received increasing attention in recent years. However, due to the high cost of SAR imaging and annotation process, there is no publicly available SAR dataset for airport detection. As a result, deep learning methods have not been fully used in airport detection tasks. To provide a benchmark for airport detection research in SAR images, this paper introduces a large-scale SAR Airport Dataset (SAD). In order to adequately reflect the demands of real world applications, it contains 624 SAR images from Sentinel 1B and covers 104 airfield instances with different scales, orientations and shapes. The experiments of multiple deep learning approach on this dataset proves its effectiveness. It developing state-of-the-art airport area detection algorithms or other relevant tasks.
• Abstract（参考訳）: 空港は軍事と民間の両方で重要な役割を担っている。 近年,合成開口レーダ(SAR)による空港検出が注目されている。 しかし、SAR画像とアノテーションのコストが高いため、空港検出のためのSARデータセットは公開されていない。 その結果,空港検出作業において深層学習が完全には使われていないことがわかった。 SAR画像における空港検出のためのベンチマークとして,大規模SAR空港データセット(SAD)を提案する。 実世界の応用の要求を適切に反映するために、Sentinel 1Bからの624のSAR画像を含み、異なるスケール、向き、形状を持つ104の飛行場インスタンスをカバーしている。 このデータセットに対する複数のディープラーニングアプローチの実験は、その効果を証明している。 現在最先端の空港エリア検出アルゴリズムや関連するタスクを開発している。

関連論文リスト

• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• SDF2Net: Shallow to Deep Feature Fusion Network for PolSAR Image Classification [1.2349871196144497]
  畳み込みニューラルネットワーク(CNN)は, PolSAR画像の特徴を捉える上で重要な役割を担っている。 本研究では,PolSAR画像分類において,Shallow to Deep Feature Fusion Network (SDF2Net) と呼ばれる複素数値CNNの3分岐融合を提案する。 その結果、提案手法は全体的な精度の向上を示し、AIRSARデータセットは1.3%、0.8%、ESARデータセットは0.5%向上した。
  論文  参考訳（メタデータ） (2024-02-27T16:46:21Z)
• Multiview Aerial Visual Recognition (MAVREC): Can Multi-view Improve Aerial Visual Perception? [57.77643186237265]
  我々は、異なる視点から同期シーンを記録するビデオデータセットであるMultiview Aerial Visual RECgnition(MAVREC)を提示する。 MAVRECは約2.5時間、業界標準の2.7K解像度ビデオシーケンス、0.5万フレーム以上のフレーム、11万の注釈付きバウンディングボックスで構成されている。 これにより、MAVRECは地上および空中ビューのデータセットとして最大であり、ドローンベースのデータセットの中では4番目に大きい。
  論文  参考訳（メタデータ） (2023-12-07T18:59:14Z)
• Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
  確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。 ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。 PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
  論文  参考訳（メタデータ） (2023-08-31T16:26:17Z)
• A benchmark dataset for deep learning-based airplane detection: HRPlanes [3.5297361401370044]
  Google Earth(GE)の画像を用いて,高分解能平面(HRPlanes)と呼ばれる新しい航空機検出データセットを作成する。 HRPlanは、様々な衛星から得られた様々な地形、季節、衛星の幾何学的条件を表すために、世界中の様々な空港のGE画像を含む。 予備的な結果から,提案したデータセットは将来のアプリケーションに有用なデータソースとベンチマークデータセットとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-04-22T23:49:44Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  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。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Airplane Detection Based on Mask Region Convolution Neural Network [0.0]
  本稿では、衛星の代わりにドローンを使ってシステムをドローン画像で供給することを推奨する。 ドローン画像は、マスク領域畳み込みニューラルネットワーク(RCNN)モデルをトレーニングし、評価するためのデータセットとして使用される。 モデルは、航空機が存在するか否かを検出し、表面積と長さを近似するマスク推定を含む。
  論文  参考訳（メタデータ） (2021-08-29T10:55:18Z)
• Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
  航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。 提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
  論文  参考訳（メタデータ） (2021-02-24T11:20:55Z)
• 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。