論文の概要: NPU-BOLT: A Dataset for Bolt Object Detection in Natural Scene Images
- arxiv url: http://arxiv.org/abs/2205.11191v1
- Date: Mon, 23 May 2022 10:51:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 15:11:57.954082
- Title: NPU-BOLT: A Dataset for Bolt Object Detection in Natural Scene Images
- Title（参考訳）: NPU-BOLT:自然シーン画像におけるボルト物体検出用データセット
- Authors: Yadian Zhao and Zhenglin Yang and Chao Xu
- Abstract要約: 本研究の目的は,自然シーン画像におけるボルト物体検出のためのデータセットNPU-BOLTを開発することである。
データセットの最初のバージョンでは、主に自然環境下でのボルトジョイント画像の337のサンプルが含まれている。
ボルトターゲットは、ぼやけたボルト、ボルトヘッド、ボルトナット、ボルトサイドという4つのカテゴリに分類される。
- 参考スコア（独自算出の注目度）: 5.684171127391834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bolt joints are very common and important in engineering structures. Due to
extreme service environment and load factors, bolts often get loose or even
disengaged. To real-time or timely detect the loosed or disengaged bolts is an
urgent need in practical engineering, which is critical to keep structural
safety and service life. In recent years, many bolt loosening detection methods
using deep learning and machine learning techniques have been proposed and are
attracting more and more attention. However, most of these studies use bolt
images captured in laboratory for deep leaning model training. The images are
obtained in a well-controlled light, distance, and view angle conditions. Also,
the bolted structures are well designed experimental structures with brand new
bolts and the bolts are exposed without any shelter nearby. It is noted that in
practical engineering, the above well controlled lab conditions are not easy
realized and the real bolt images often have blur edges, oblique perspective,
partial occlusion and indistinguishable colors etc., which make the trained
models obtained in laboratory conditions loss their accuracy or fails.
Therefore, the aim of this study is to develop a dataset named NPU-BOLT for
bolt object detection in natural scene images and open it to researchers for
public use and further development. In the first version of the dataset, it
contains 337 samples of bolt joints images mainly in the natural environment,
with image data sizes ranging from 400*400 to 6000*4000, totaling approximately
1275 bolt targets. The bolt targets are annotated into four categories named
blur bolt, bolt head, bolt nut and bolt side. The dataset is tested with
advanced object detection models including yolov5, Faster-RCNN and CenterNet.
The effectiveness of the dataset is validated.
- Abstract（参考訳）: ボルトジョイントは非常に一般的で、エンジニアリング構造において重要である。
極端なサービス環境と負荷要因のため、ボルトはしばしば緩くなり、あるいは切り離される。
構造物の安全性と耐用年数を維持するのに不可欠である実用工学における緊急の必要である緩いボルト又は剥離ボルトをリアルタイム又はタイムリーに検出する。
近年,ディープラーニングと機械学習技術を用いたボルト緩み検出法が数多く提案され,注目されている。
しかし、これらの研究のほとんどは、深部傾きモデルトレーニングのために実験室で撮影されたボルト画像を使用している。
画像は、よく制御された光、距離、視野角条件で得られる。
また、ボルト付き構造は、真新しいボルトを備えたよく設計された実験的な構造であり、ボルトは近くの避難所なしで露出する。
実用工学では、上記のよく制御された実験室の条件は容易には実現されず、実際のボルト画像は、しばしばぼやけたエッジ、斜めの視点、部分閉塞、識別不能色等を持ち、実験室で得られた訓練されたモデルが精度を損なうか失敗する。
そこで本研究では,NPU-BOLT(NPU-BOLT)というデータセットを用いて,自然シーン画像のボルト物体検出を行い,研究者に公開し,さらなる開発を行う。
データセットの最初のバージョンでは、主に自然環境におけるボルトジョイント画像の337のサンプルが含まれており、画像データのサイズは400*400から6000*4000で、合計で1275のボルトターゲットがある。
ボルトターゲットは、ぼかしボルト、ボルトヘッド、ボルトナット、ボルトサイドの4つのカテゴリにアノテートされる。
データセットは、Yolov5、Faster-RCNN、CenterNetなどの高度なオブジェクト検出モデルでテストされる。
データセットの有効性を検証する。
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) - On the Robustness of Object Detection Models in Aerial Images [37.50307094643692]
DOTA-v1.0に基づく新しいベンチマークを2つ導入する。
第1のベンチマークは、19の一般的な汚職を含むが、第2のベンチマークは、クラウド崩壊したイメージに焦点を当てている。
改良されたモデルアーキテクチャ,大規模ネットワーク,高度に構築されたモジュール,および巧妙なデータ拡張戦略により,航空物体検出モデルの堅牢性が向上することがわかった。
論文 参考訳（メタデータ） (2023-08-29T15:16:51Z) - Lighting and Rotation Invariant Real-time Vehicle Wheel Detector based
on YOLOv5 [0.0]
車いすは、照明と回転不変リアルタイム検出器のアプローチを示すために選ばれた例の1つである。
目的は、他の種類のリアルタイム物体検出器を開発するための基準として使用できる単純なアプローチを提供することである。
論文 参考訳（メタデータ） (2023-05-28T18:06:46Z) - VizWiz-FewShot: Locating Objects in Images Taken by People With Visual
Impairments [74.72656607288185]
我々は、撮影した画像の視覚的内容について真に学ぼうとしていた写真家を起源とする、数発のローカライゼーションデータセットを紹介した。
視覚障害者が撮影した4500枚以上の画像に、100のカテゴリの約10,000のセグメンテーションが含まれている。
既存の数発のオブジェクト検出やインスタンスセグメンテーションデータセットと比較して、私たちのデータセットは、オブジェクトの穴を見つける最初のものです。
論文 参考訳（メタデータ） (2022-07-24T20:44:51Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - Image-based monitoring of bolt loosening through deep-learning-based
integrated detection and tracking [2.5048502067705103]
構造ボルトのクランプ力は、ボルト回転の影響を強く受けている。
ボルト回転推定に関する既存のビジョンベースの研究の多くは、従来のコンピュータビジョンアルゴリズムに依存している。
本研究では,ボルト回転角を監視するために,RTDT-Boltという実時間検出トラック方式を提案する。
論文 参考訳（メタデータ） (2021-11-16T00:47:00Z) - OOWL500: Overcoming Dataset Collection Bias in the Wild [45.494056340200956]
オンラインで収集された画像データセットは、偏見のあるオブジェクト認識を生成できるという仮説が研究されている。
新たな"in the lab"データ収集インフラストラクチャが提案されている。
安価で容易に複製できる性質は、ビジョンコミュニティによるスケーラブルなデータ収集の取り組みにつながる可能性もあります。
論文 参考訳（メタデータ） (2021-08-24T23:22:53Z) - Rapid Detection of Aircrafts in Satellite Imagery based on Deep Neural
Networks [2.7716102039510564]
本論文では,深層学習技術を用いた衛星画像の航空機検出に焦点をあてる。
本稿では,航空機検出にYOLO深層学習フレームワークを用いた。
改良されたモデルは小さい、回転する、および密集した目的がリアルタイムの条件を満たす異なった未知のイメージのよい正確さそして性能を示します。
論文 参考訳（メタデータ） (2021-04-21T18:13:16Z) - Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。
本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。
提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文 参考訳（メタデータ） (2021-03-25T22:34:16Z) - Assessing out-of-domain generalization for robust building damage
detection [78.6363825307044]
建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。
モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。
今後はOOD体制に重点を置くべきだと我々は主張する。
論文 参考訳（メタデータ） (2020-11-20T10:30:43Z) - TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。
私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。
データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
論文 参考訳（メタデータ） (2020-11-18T09:32:24Z)
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。