論文の概要: Enemy Spotted: in-game gun sound dataset for gunshot classification and localization

• arxiv url: http://arxiv.org/abs/2210.05917v1
• Date: Wed, 12 Oct 2022 04:36:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 15:51:18.960076
• Title: Enemy Spotted: in-game gun sound dataset for gunshot classification and localization
• Title（参考訳）: Enemy Spotted:ガンショット分類とローカライゼーションのためのゲーム内ガンサウンドデータセット
• Authors: Junwoo Park, Youngwoo Cho, Gyuhyeon Sim, Hojoon Lee, Jaegul Choo
• Abstract要約: ガンサウンドは、現実世界の戦闘を模倣するように設計されたFPSゲームから得ることができる。 BGGデータセットは37種類の銃器、距離、音源と受信機の間の方向で構成されている。 実世界の銃器分類と位置決め作業の精度は,BGGデータセットを用いて向上できることを示す。
• 参考スコア（独自算出の注目度）: 27.554240980052025
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recently, deep learning-based methods have drawn huge attention due to their simple yet high performance without domain knowledge in sound classification and localization tasks. However, a lack of gun sounds in existing datasets has been a major obstacle to implementing a support system to spot criminals from their gunshots by leveraging deep learning models. Since the occurrence of gunshot is rare and unpredictable, it is impractical to collect gun sounds in the real world. As an alternative, gun sounds can be obtained from an FPS game that is designed to mimic real-world warfare. The recent FPS game offers a realistic environment where we can safely collect gunshot data while simulating even dangerous situations. By exploiting the advantage of the game environment, we construct a gunshot dataset, namely BGG, for the firearm classification and gunshot localization tasks. The BGG dataset consists of 37 different types of firearms, distances, and directions between the sound source and a receiver. We carefully verify that the in-game gunshot data has sufficient information to identify the location and type of gunshots by training several sound classification and localization baselines on the BGG dataset. Afterward, we demonstrate that the accuracy of real-world firearm classification and localization tasks can be enhanced by utilizing the BGG dataset.
• Abstract（参考訳）: 近年,音の分類やローカライゼーションのタスクにおいて,ドメイン知識を欠く単純かつ高性能な学習手法が注目されている。 しかし、既存のデータセットにおける銃声の欠如は、ディープラーニングモデルを利用して犯人を銃声から検出するサポートシステムを実装する上で大きな障害となっている。 銃声の発生は稀で予測できないため、実世界で銃音を収集することは不可能である。 代替として、実戦を模倣するように設計されたFPSゲームから銃音が得られる。 最近のFPSゲームは、危険な状況でもシミュレーションしながら、安全に銃声データを収集できる現実的な環境を提供する。 ゲーム環境の利点を生かして、銃器の分類と銃弾のローカライゼーションタスクのための銃弾データセット、すなわちBGGを構築した。 BGGデータセットは37種類の銃器、距離、音源と受信機の間の方向で構成されている。 我々は,BGGデータセットに基づいて,複数の音の分類と位置決めベースラインを訓練することにより,銃弾の位置と種類を特定するのに十分な情報を持っていることを慎重に検証する。 その後,bggデータセットを利用することで,実世界の銃器分類や局所化作業の精度を高めることができることを示す。

関連論文リスト

• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• Active shooter detection and robust tracking utilizing supplemental synthetic data [6.719034568121972]
  米国における銃暴力は、公共の安全を改善するシステムの開発に焦点をあてている。 1つのアプローチは、乱射事件の予防または緩和に役立つシューターを検出し、追跡することである。 我々は、銃だけでなく、射撃者全体を検出することを提案し、追跡の堅牢性を改善することを可能にした。
  論文  参考訳（メタデータ） (2023-09-06T21:58:58Z)
• Distribution-Aware Calibration for Object Detection with Noisy Bounding Boxes [58.2797274877934]
  そこで我々はDISCO(Distribution-aware CalibratiOn)を提案する。 分類, 局所化, 解釈可能性を改善するために, 3つの分布認識技術を開発した。
  論文  参考訳（メタデータ） (2023-08-23T09:20:05Z)
• Ammunition Component Classification Using Deep Learning [0.8808993671472349]
  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。
  論文  参考訳（メタデータ） (2022-08-26T20:42:39Z)
• YouTube-GDD: A challenging gun detection dataset with rich contextual information [5.956046069509441]
  この研究は、YouTube Gun Detection dataset(YouTube-GDD)と呼ばれる新しい挑戦的なデータセットを提示している。 私たちのデータセットは、343の高精細度YouTubeビデオから収集され、5,000の精巧な画像が含まれており、そのうち16064の銃と9046の人が注釈付けされている。 銃検出のためのベースラインを構築するために,YouTube-GDD上でYOLOv5を評価し,関連する注釈情報の追加が銃検出に与える影響を解析した。
  論文  参考訳（メタデータ） (2022-03-08T14:55:10Z)
• A Gun Detection Dataset and Searching for Embedded Device Solutions [1.2149550080095914]
  我々は,51Kのアノテートガン画像と,51Kのトリミングガンチップ画像を用いた銃分類データセットを公表した。 我々の知る限り、これは銃検出研究の最大のデータセットである。 また,組込みエッジデバイス(カメラ)における銃検出ソリューションの探索や,クラウドサーバ上での銃・銃の分類についても検討した。
  論文  参考訳（メタデータ） (2021-05-03T17:58:45Z)
• Multimodal Attention Fusion for Target Speaker Extraction [108.73502348754842]
  マルチモーダル核融合のための新しい注意機構とその訓練方法を提案する。 シミュレーションデータに対する従来の核融合機構よりも,信号対歪み比(SDR)を1.0dB向上させる。
  論文  参考訳（メタデータ） (2021-02-02T05:59:35Z)
• Discriminative Sounding Objects Localization via Self-supervised Audiovisual Matching [87.42246194790467]
  自己教師付きクラス認識オブジェクトの定位を行うための2段階学習フレームワークを提案する。 我々は,無声オブジェクトをフィルタリングし,異なるクラスの音響オブジェクトの位置を指摘するのに,我々のモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-12T05:51:55Z)
• Sound of Guns: Digital Forensics of Gun Audio Samples meets Artificial Intelligence [0.7734726150561086]
  本稿では,マイクロホンとシューターの相対的な位置を全く意識せず,記録装置の知識をゼロにする新しい手法を提案する。 われわれのソリューションは、銃のカテゴリ、口径、モデルを特定し、3655サンプルからなるデータセット上で90%以上の精度に達する。
  論文  参考訳（メタデータ） (2020-04-15T09:12:45Z)
• Know Your Surroundings: Exploiting Scene Information for Object Tracking [181.1750279330811]
  現在の最先端トラッカーは、各フレーム内のオブジェクトをローカライズするためにターゲットの外観モデルのみに依存している。 本研究では,トラッキングにシーン情報を利用する新しいトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-24T17:59:04Z)

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。