論文の概要: Deep Domain Adaptation for Detecting Bomb Craters in Aerial Images

• arxiv url: http://arxiv.org/abs/2209.11299v1
• Date: Thu, 22 Sep 2022 20:25:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 16:42:58.039498
• Title: Deep Domain Adaptation for Detecting Bomb Craters in Aerial Images
• Title（参考訳）: 空中画像における爆弾クレーター検出のための深部ドメイン適応
• Authors: Marco Geiger, Dominik Martin, Niklas K\"uhl
• Abstract要約: UXO(Unexploded Ordnance)は、人間の生命と環境にとって重大な危険である。 現在の手動分析プロセスは高価で時間を要する。 ディープラーニングはUXO処理を改善するための有望な方法です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The aftermath of air raids can still be seen for decades after the devastating events. Unexploded ordnance (UXO) is an immense danger to human life and the environment. Through the assessment of wartime images, experts can infer the occurrence of a dud. The current manual analysis process is expensive and time-consuming, thus automated detection of bomb craters by using deep learning is a promising way to improve the UXO disposal process. However, these methods require a large amount of manually labeled training data. This work leverages domain adaptation with moon surface images to address the problem of automated bomb crater detection with deep learning under the constraint of limited training data. This paper contributes to both academia and practice (1) by providing a solution approach for automated bomb crater detection with limited training data and (2) by demonstrating the usability and associated challenges of using synthetic images for domain adaptation.
• Abstract（参考訳）: 空襲の余波は、壊滅的な出来事の後数十年にわたって見ることができる。 UXO(Unexploded Ordnance)は、人間の生命と環境にとって重大な危険である。 戦時画像の評価を通じて、専門家はダッドの発生を推測することができる。 現在の手動解析プロセスは高価で時間を要するため、深層学習による爆弾クレーターの自動検出はUXO処理を改善するための有望な方法である。 しかし、これらの方法は大量の手動のトレーニングデータを必要とする。 この研究は、月面画像による領域適応を利用して、限られた訓練データの制約下での深層学習による自動爆弾クレーター検出の問題に対処する。 本論文は, 限られた訓練データを用いて, 爆弾クレーターの自動検出のための解法を提供し, (2) ドメイン適応のための合成画像の利用の有用性と課題を実証することにより, アカデミアと実践の両方に寄与する。

関連論文リスト

• Bootstrapping Corner Cases: High-Resolution Inpainting for Safety Critical Detect and Avoid for Automated Flying [9.694804791791588]
  本稿では,自動飛行中の航空交通を安全のために検出するドローンの安全クリティカル機能である検出・回避のための物体検出について述べる。 ほとんどのモデルは、航空交通の記録や小型機による正面飛行など、生データにおける地上の真実の制限に悩まされている。 我々は、インペイント手法を用いてデータセットをブートストラップし、生データのコーナーケースを明示的に含むことで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-01-14T14:21:48Z)
• Terrain characterisation for online adaptability of automated sonar processing: Lessons learnt from operationally applying ATR to sidescan sonar in MCM applications [0.0]
  本稿では,AUV(Autonomous Underwater Vehicles)ミッションにおける説明性向上のための2つのオンライン海底特性評価手法を提案する。 どちらの手法も、地形の複雑さに対する人間の理解に関連する地形の特徴を抽出するために、教師なしの機械学習アプローチに依存している。 最初の技術は、ATRアルゴリズムの性能に基づいて、定量的でアプリケーション駆動の地形特性指標を提供する。 第2の方法は,主題の専門知識を取り入れ,シナリオ依存型主観的地形特徴化を支援するための文脈化と説明可能性を実現する方法である。
  論文  参考訳（メタデータ） (2024-04-29T12:48:42Z)
• Deep Learning Approaches in Pavement Distress Identification: A Review [0.39373541926236766]
  本稿では,舗装災害検出・分類のための画像処理技術と深層学習技術の最近の進歩を概観する。 これらのアルゴリズムがパターンを識別し、広範囲なデータセットに基づいて予測する能力は、舗装災害識別の領域に革命をもたらした。 高解像度画像をキャプチャすることで、UAVは深層学習アルゴリズムを用いて処理できる貴重なデータを提供し、様々な舗装の苦痛を効果的に検出し分類する。
  論文  参考訳（メタデータ） (2023-08-01T20:30:11Z)
• You Only Crash Once: Improved Object Detection for Real-Time, Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous Planetary Landings [7.201292864036088]
  危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。 視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。 深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
  論文  参考訳（メタデータ） (2023-03-08T21:11:51Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)
• 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)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Self-Supervised Person Detection in 2D Range Data using a Calibrated Camera [83.31666463259849]
  2次元LiDARに基づく人検出器のトレーニングラベル(擬似ラベル)を自動生成する手法を提案する。 擬似ラベルで訓練または微調整された自己監視検出器が,手動アノテーションを用いて訓練された検出器を上回っていることを示した。 私達の方法は付加的な分類の努力なしで配置の間に人の探知器を改善する有効な方法です。
  論文  参考訳（メタデータ） (2020-12-16T12:10:04Z)
• Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
  紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。 本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。 我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
  論文  参考訳（メタデータ） (2020-10-12T19:01:20Z)
• Deep Traffic Sign Detection and Recognition Without Target Domain Real Images [52.079665469286496]
  本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。 この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。 大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
  論文  参考訳（メタデータ） (2020-07-30T21:06:47Z)

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。