論文の概要: CF-YOLO: Cross Fusion YOLO for Object Detection in Adverse Weather with
a High-quality Real Snow Dataset
- arxiv url: http://arxiv.org/abs/2206.01381v1
- Date: Fri, 3 Jun 2022 04:00:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-06 13:57:44.360883
- Title: CF-YOLO: Cross Fusion YOLO for Object Detection in Adverse Weather with
a High-quality Real Snow Dataset
- Title(参考訳): CF-YOLO:高品質実雪データを用いた逆気象観測用クロスフュージョンYOLO
- Authors: Qiqi Ding, Peng Li, Xuefeng Yan, Ding Shi, Luming Liang, Weiming Wang,
Haoran Xie, Jonathan Li, Mingqiang Wei
- Abstract要約: 雪は物体検出(OD)にとって最も厳しい悪天候の1つである
まず,実世界の雪崩データセットRSODを構築した。
そこで我々は,YOLOv5sをベースとした軽量ODネットワークを構築するための新しいCFブロックを提案する(CF-YOLOを参照)。
- 参考スコア(独自算出の注目度): 38.3566827685784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Snow is one of the toughest adverse weather conditions for object detection
(OD). Currently, not only there is a lack of snowy OD datasets to train
cutting-edge detectors, but also these detectors have difficulties learning
latent information beneficial for detection in snow. To alleviate the two above
problems, we first establish a real-world snowy OD dataset, named RSOD.
Besides, we develop an unsupervised training strategy with a distinctive
activation function, called $Peak \ Act$, to quantitatively evaluate the effect
of snow on each object. Peak Act helps grading the images in RSOD into
four-difficulty levels. To our knowledge, RSOD is the first quantitatively
evaluated and graded snowy OD dataset. Then, we propose a novel Cross Fusion
(CF) block to construct a lightweight OD network based on YOLOv5s (call
CF-YOLO). CF is a plug-and-play feature aggregation module, which integrates
the advantages of Feature Pyramid Network and Path Aggregation Network in a
simpler yet more flexible form. Both RSOD and CF lead our CF-YOLO to possess an
optimization ability for OD in real-world snow. That is, CF-YOLO can handle
unfavorable detection problems of vagueness, distortion and covering of snow.
Experiments show that our CF-YOLO achieves better detection results on RSOD,
compared to SOTAs. The code and dataset are available at
https://github.com/qqding77/CF-YOLO-and-RSOD.
- Abstract(参考訳): 雪はオブジェクト検出(od)にとって最も厳しい悪天候条件の1つである。
現在、最先端検出器を訓練するための雪のODデータセットが不足しているだけでなく、これらの検出器は雪の検出に有用な潜伏情報を学ぶのが困難である。
上記の2つの問題を緩和するために、我々はまず、RSODという実世界の雪崩データセットを構築した。
さらに,各物体に対する雪の影響を定量的に評価するために,アクティベーション機能を備えた非教師なしトレーニング戦略である$Peak \ Act$を開発した。
peak actはrsodの画像を4次元レベルに分解するのに役立つ。
我々の知る限り、RSODは初めて定量的に評価され、評価された雪のODデータセットである。
そこで我々は,YOLOv5s(CF-YOLO)に基づく軽量なODネットワークを構築するために,新しいCFブロックを提案する。
CFはプラグアンドプレイの機能集約モジュールで、Feature Pyramid NetworkとPath Aggregation Networkの利点をよりシンプルで柔軟な形で統合します。
実雪におけるODの最適化能力は, RSODとCFが共にCF-YOLOをリードする。
すなわち、CF-YOLOは、雪の曖昧さ、歪み、覆いといった、好ましくない検出問題に対処することができる。
実験の結果, CF-YOLOはSOTAと比較して, RSODの検出精度がよいことがわかった。
コードとデータセットはhttps://github.com/qqding77/CF-YOLO-and-RSODで公開されている。
関連論文リスト
- D-YOLO a robust framework for object detection in adverse weather conditions [0.0]
ヘイズ、雪、雨などの逆の気象条件は、画像品質の低下を招き、深層学習に基づく検知ネットワークの性能低下を招きかねない。
画像復元とオブジェクト検出のタスクをよりうまく統合するために,注目機能融合モジュールを備えた二重経路ネットワークを設計した。
我々はまた,検出ネットワークにヘイズフリーな機能を提供するサブネットワークを提案し,特に,明瞭な特徴抽出サブネットワークと検出ネットワーク間の距離を最小化することにより,検出ネットワークの性能を向上させる。
論文 参考訳(メタデータ) (2024-03-14T09:57:15Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - MODIPHY: Multimodal Obscured Detection for IoT using PHantom Convolution-Enabled Faster YOLO [10.183459286746196]
YOLO Phantomは、史上最小のYOLOモデルのひとつです。
YOLO Phantomは最新のYOLOv8nモデルと同等の精度を実現し、パラメータとモデルサイズを同時に削減する。
実際の有効性は、高度な低照度カメラとRGBカメラを備えたIoTプラットフォーム上で実証され、AWSベースの通知エンドポイントにシームレスに接続される。
論文 参考訳(メタデータ) (2024-02-12T18:56:53Z) - Joint Attention-Guided Feature Fusion Network for Saliency Detection of
Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。
JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。
SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文 参考訳(メタデータ) (2024-02-05T08:10:16Z) - DiffYOLO: Object Detection for Anti-Noise via YOLO and Diffusion Models [4.7846759259287985]
本稿では,DiffYOLO と呼ばれる YOLO モデルに適用可能なフレームワークを提案する。
具体的には,拡散確率モデルから特徴写像を抽出し,よく訓練されたモデルを強化する。
その結果、このフレームワークはノイズの多いデータセットのパフォーマンスを証明できるだけでなく、高品質なテストデータセットにおける検出結果も証明できることがわかった。
論文 参考訳(メタデータ) (2024-01-03T10:35:35Z) - YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。
私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。
私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
論文 参考訳(メタデータ) (2023-08-10T10:12:27Z) - PE-YOLO: Pyramid Enhancement Network for Dark Object Detection [9.949687351946038]
ピラミッド拡張ネットワーク (PENet) を提案し, YOLOv3 と結合して PE-YOLO というダークオブジェクト検出フレームワークを構築する。
PE-YOLOはエンドツーエンドのジョイントトレーニングアプローチを採用し、通常の検出損失のみを使用してトレーニングプロセスを簡素化する。
結果:PE-YOLOは、それぞれmAPが78.0%、FPSが53.6%であり、異なる低照度条件下での物体検出に適応できる。
論文 参考訳(メタデータ) (2023-07-20T15:25:55Z) - 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) - LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。
本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。
我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
論文 参考訳(メタデータ) (2022-03-28T21:48:26Z) - LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-ray
Image [7.970559381165446]
畳み込みニューラルネットワーク(CNN)に基づく溶接欠陥検出手法,すなわちLighter and Faster YOLO(LF-YOLO)を提案する。
検出ネットワークの性能向上のために,効率的な特徴抽出(EFE)モジュールを提案する。
その結果, 溶接欠陥ネットワークは性能と消費のバランスが良好であり, 61.5 FPSの92.9 mAP50に達することがわかった。
論文 参考訳(メタデータ) (2021-10-28T12:19:32Z)
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。