論文の概要: Video-based Smoky Vehicle Detection with A Coarse-to-Fine Framework
- arxiv url: http://arxiv.org/abs/2207.03708v1
- Date: Fri, 8 Jul 2022 06:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 14:10:24.732433
- Title: Video-based Smoky Vehicle Detection with A Coarse-to-Fine Framework
- Title(参考訳): 粗いフレームによるビデオベーススモーキー車両検出
- Authors: Xiaojiang Peng, Xiaomao Fan, Qingyang Wu, Jieyan Zhao, Pan Gao
- Abstract要約: 75,000点の注釈付きスモーキー車両画像を用いた実世界の大規模スモーキー車両データセットを導入する。
また、セグメントレベルのアノテーションを備えた163の長いビデオを含む、スモーキーな車両ビデオデータセットも構築しています。
高速なスモーキー車両検出のための粗大きめのディープスモーキー車両検出フレームワークを提案する。
- 参考スコア(独自算出の注目度): 20.74110691914317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic smoky vehicle detection in videos is a superior solution to the
traditional expensive remote sensing one with ultraviolet-infrared light
devices for environmental protection agencies. However, it is challenging to
distinguish vehicle smoke from shadow and wet regions coming from rear vehicle
or clutter roads, and could be worse due to limited annotated data. In this
paper, we first introduce a real-world large-scale smoky vehicle dataset with
75,000 annotated smoky vehicle images, facilitating the effective training of
advanced deep learning models. To enable fair algorithm comparison, we also
build a smoky vehicle video dataset including 163 long videos with
segment-level annotations. Moreover, we present a new Coarse-to-fine Deep Smoky
vehicle detection (CoDeS) framework for efficient smoky vehicle detection. The
CoDeS first leverages a light-weight YOLO detector for fast smoke detection
with high recall rate, and then applies a smoke-vehicle matching strategy to
eliminate non-vehicle smoke, and finally uses a elaborately-designed 3D model
to further refine the results in spatial temporal space. Extensive experiments
in four metrics demonstrate that our framework is significantly superior to
those hand-crafted feature based methods and recent advanced methods. The code
and dataset will be released at https://github.com/pengxj/smokyvehicle.
- Abstract(参考訳): ビデオにおける自動スモーキー車両検出は、従来の高価なリモートセンシングシステムよりも優れたソリューションであり、環境保護機関の紫外線照明装置を備えている。
しかし、後輪道路やごちゃごちゃした道路から来る影や濡れた地域から車両煙を区別することは困難であり、注釈データの制限により悪化する可能性がある。
本稿では,まず,75,000個のアノテートされたスモーキー車両画像を用いた実世界の大規模スモーキー車両データセットについて紹介する。
公平なアルゴリズム比較を可能にするため、セグメントレベルのアノテーションを備えた163の長いビデオを含むスモーキーな車両ビデオデータセットを構築した。
さらに,より効率的なスモーキー車両検出のためのCoDeS(Coarse-to-fine Deep Smoky Vehicle Detection)フレームワークを提案する。
CoDeSはまず、軽量のYOLO検出器を高速な煙探知に利用し、次に煙と車両のマッチング戦略を適用して非車両の煙を除去し、最終的に精巧に設計された3Dモデルを用いて空間時間空間における結果をさらに改善する。
4つの指標の大規模な実験により、我々のフレームワークは手作りの特徴に基づく手法や最近の高度な手法よりもはるかに優れていることが示された。
コードとデータセットはhttps://github.com/pengxj/smokyvehicleでリリースされる。
関連論文リスト
- EVD4UAV: An Altitude-Sensitive Benchmark to Evade Vehicle Detection in UAV [19.07281015014683]
無人航空機(UAV)の撮影画像における車両検出は、航空写真やリモートセンシングに広く応用されている。
近年の研究では、物体に対向パッチを加えることで、よく訓練されたディープニューラルネットワークベースの物体検出器を騙すことが示されている。
UAVにおける車両検出を回避するための高度感度ベンチマークとしてEVD4UAVという新しいデータセットを提案する。
論文 参考訳(メタデータ) (2024-03-08T16:19:39Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - Obscured Wildfire Flame Detection By Temporal Analysis of Smoke Patterns
Captured by Unmanned Aerial Systems [0.799536002595393]
本研究は,RGBカメラのみを搭載したドローンを用いて,隠された山火事をリアルタイムに検出する課題について論じる。
本稿では,ビデオシーケンス中の煙のパターンの時間的解析に基づくセマンティックセグメンテーションを用いた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-06-30T19:45:43Z) - TAU: A Framework for Video-Based Traffic Analytics Leveraging Artificial
Intelligence and Unmanned Aerial Systems [2.748428882236308]
自動トラフィック分析と理解のためのAI統合ビデオ分析フレームワークTAU(Traffic Analysis from UAVs)を開発した。
トラヒックビデオ解析における従来の研究とは違って,ビデオ処理から高解像度UAV画像を用いた高度なトラヒック理解へ向けた自動物体検出・追跡パイプラインを提案する。
論文 参考訳(メタデータ) (2023-03-01T09:03:44Z) - Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。
そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文 参考訳(メタデータ) (2022-12-09T11:32:36Z) - Deep Vehicle Detection in Satellite Video [0.0]
車両検出は、車両(4ピクセル)の微妙さと背景のEOとの類似性のため、単一の衛星画像ではおそらく不可能である。
プール層を無視し、漏れやすいReLUを使用する、コンパクトな3倍の3ドルニューラルネットワークの新しいモデルが提案されている。
2つの新しい注釈付き衛星ビデオの実証的な結果により、このアプローチが車両検出に適用可能であることが再確認された。
論文 参考訳(メタデータ) (2022-04-14T08:54:44Z) - Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
移動車に搭載されたカメラから車両の速度を推定する問題を考察する。
そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
論文 参考訳(メタデータ) (2021-09-16T13:10:27Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳(メタデータ) (2021-06-21T13:55:57Z) - Extraction and Assessment of Naturalistic Human Driving Trajectories
from Infrastructure Camera and Radar Sensors [0.0]
本稿では,インフラセンサを用いた交通物体の軌跡抽出手法を提案する。
私たちのビジョンパイプラインは、オブジェクトを正確に検出し、カメラとレーダーを融合させ、時間とともに追跡します。
センサ融合アプローチは、カメラとレーダー検出の利点をうまく組み合わせ、いずれのセンサよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-04-02T22:28:29Z) - Drone-based RGB-Infrared Cross-Modality Vehicle Detection via
Uncertainty-Aware Learning [59.19469551774703]
ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。
我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。
私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
論文 参考訳(メタデータ) (2020-03-05T05:29:44Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳(メタデータ) (2020-02-28T00:24:18Z)
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。