論文の概要: Ammunition Component Classification Using Deep Learning

• arxiv url: http://arxiv.org/abs/2208.12863v1
• Date: Fri, 26 Aug 2022 20:42:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:45:48.370707
• Title: Ammunition Component Classification Using Deep Learning
• Title（参考訳）: 深層学習を用いた弾薬成分分類
• Authors: Hadi Ghahremannezhad, Chengjun Liu, Hang Shi
• Abstract要約: エネルギーを含むアンモスクラップは潜在的に危険であると考えられ、リサイクル前に分離すべきである。 我々は、安全で安全でないスクラップを自動分類するために人工知能を適用することを目的として、弾薬部品のデータセットを収集した。
• 参考スコア（独自算出の注目度）: 0.8808993671472349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ammunition scrap inspection is an essential step in the process of recycling ammunition metal scrap. Most ammunition is composed of a number of components, including case, primer, powder, and projectile. Ammo scrap containing energetics is considered to be potentially dangerous and should be separated before the recycling process. Manually inspecting each piece of scrap is tedious and time-consuming. We have gathered a dataset of ammunition components with the goal of applying artificial intelligence for classifying safe and unsafe scrap pieces automatically. First, two training datasets are manually created from visual and x-ray images of ammo. Second, the x-ray dataset is augmented using the spatial transforms of histogram equalization, averaging, sharpening, power law, and Gaussian blurring in order to compensate for the lack of sufficient training data. Lastly, the representative YOLOv4 object detection method is applied to detect the ammo components and classify the scrap pieces into safe and unsafe classes, respectively. The trained models are tested against unseen data in order to evaluate the performance of the applied method. The experiments demonstrate the feasibility of ammo component detection and classification using deep learning. The datasets and the pre-trained models are available at https://github.com/hadi-ghnd/Scrap-Classification.
• Abstract（参考訳）: 弾薬スクラップ検査は、弾薬金属スクラップのリサイクルプロセスにおいて不可欠なステップである。 ほとんどの弾薬は、ケース、プライマー、パウダー、発射体を含む多くの部品で構成されている。 エネルギーを含むアンモスクラップは潜在的に危険であると考えられ、リサイクル前に分離すべきである。 各スクラップを手動で検査するのは面倒で時間がかかります。 安全で安全でないスクラップピースを自動的に分類するための人工知能の適用を目的として,弾薬部品のデータセットを収集した。 まず、ammoの視覚画像とx線画像から2つのトレーニングデータセットを手動で作成する。 第2に、このX線データセットは、十分なトレーニングデータの不足を補うために、ヒストグラム等化、平均化、シャープ化、電力法則、ガウスアンボケリングの空間変換を用いて拡張される。 最後に, 代表的なYOLOv4オブジェクト検出手法を適用し, アンモコンポーネントを検出し, スクラップ部品を安全クラスと安全クラスに分類する。 トレーニングされたモデルは、適用された手法の性能を評価するために、見えないデータに対してテストされる。 実験は,深層学習を用いたammo成分検出と分類の実現可能性を示す。 データセットと事前トレーニングされたモデルは、https://github.com/hadi-ghnd/scrap-classificationで入手できる。

関連論文リスト

• Designing A Sustainable Marine Debris Clean-up Framework without Human Labels [0.0]
  海洋の破片は、鳥類、魚、その他の動物の生命に重大な生態学的脅威をもたらす。 伝統的に残骸の堆積を評価する方法には、労働集約的かつ高価な手作業による調査が含まれる。 本研究では,ドローンが捉えた空中画像を利用して遠隔地ゴミ調査を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T17:28:23Z)
• Visual Context-Aware Person Fall Detection [52.49277799455569]
  画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。 ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。 トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-04-11T19:06:36Z)
• An End-to-End Framework For Universal Lesion Detection With Missing Annotations [24.902835211573628]
  そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。 本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
  論文  参考訳（メタデータ） (2023-03-27T09:16:10Z)
• Incremental-DETR: Incremental Few-Shot Object Detection via Self-Supervised Learning [60.64535309016623]
  本稿では,DeTRオブジェクト検出器上での微調整および自己教師型学習によるインクリメンタル・デクリメンタル・デクリメンタル・デクリメンタル・オブジェクト検出を提案する。 まず,DeTRのクラス固有のコンポーネントを自己監督で微調整する。 さらに,DeTRのクラス固有のコンポーネントに知識蒸留を施した数発の微調整戦略を導入し,破滅的な忘れを伴わずに新しいクラスを検出するネットワークを奨励する。
  論文  参考訳（メタデータ） (2022-05-09T05:08:08Z)
• Proper Reuse of Image Classification Features Improves Object Detection [4.240984948137734]
  トランスファーラーニングの一般的な実践は、データに基づく上流タスクで事前学習することで、下流モデルの重み付けを初期化することである。 近年の研究では、長いトレーニング体制下では必須ではないことが示されており、背骨をスクラッチからトレーニングするためのレシピを提供している。 知識保存の極端な形態 -- 分類器dのバックボーンを凍結する -- が、一貫して多くの異なる検出モデルを改善していることを示す。
  論文  参考訳（メタデータ） (2022-04-01T14:44:47Z)
• Machine Unlearning: Learning, Polluting, and Unlearning for Spam Email [0.9176056742068814]
  いくつかのスパムメール検出方法が存在し、それぞれ異なるアルゴリズムを用いて望ましくないスパムメールを検出する。 多くの攻撃者は、様々な方法でモデルにトレーニングされたデータを汚染することでモデルを悪用する。 過去にモデルにトレーニングされた大量のデータがすでに存在するため、ほとんどのケースではリトレーニングは現実的ではありません。 アンラーニングは速く、実装が簡単で、使いやすく、効果的です。
  論文  参考訳（メタデータ） (2021-11-26T12:13:11Z)
• Accumulative Poisoning Attacks on Real-time Data [56.96241557830253]
  我々は、よく設計されたが簡単な攻撃戦略が、中毒効果を劇的に増幅できることを示します。 我々の研究は、よく設計されたが簡単な攻撃戦略が、中毒効果を劇的に増幅できることを検証する。
  論文  参考訳（メタデータ） (2021-06-18T08:29:53Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。