Fugu-MT 論文翻訳(概要): BARS: A Benchmark for Airport Runway Segmentation

論文の概要: BARS: A Benchmark for Airport Runway Segmentation

arxiv url: http://arxiv.org/abs/2210.12922v1
Date: Mon, 24 Oct 2022 02:26:05 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 14:05:53.133075
Title: BARS: A Benchmark for Airport Runway Segmentation
Title（参考訳）: BARS:空港滑走路セグメンテーションのベンチマーク
Authors: Wenhui Chen and Zhijiang Zhang and Liang Yu and Yichun Tai
Abstract要約: 空港滑走路のセグメンテーションは、着陸段階での事故率を効果的に低減することができる。ディープラーニングの急速な発展に伴い、関連する手法はセグメンテーションタスクにおいて優れた性能を発揮する。大規模で一般公開されたデータセットの欠如は、ディープラーニングに基づく手法の開発を困難にしている。
参考スコア（独自算出の注目度）: 5.224344210588583
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Airport runway segmentation can effectively reduce the accident rate during the landing phase, which has the largest risk of flight accidents. With the rapid development of deep learning, related methods have good performance on segmentation tasks and can be well adapted to complex scenes. However, the lack of large-scale, publicly available datasets in this field makes the development of methods based on deep learning difficult. Therefore, we propose a Benchmark for Airport Runway Segmentation, named BARS. Meanwhile, a semi-automatic annotation pipeline is designed to reduce the workload of annotation. BARS has the largest dataset with the richest categories and the only instance annotation in the field. The dataset, which is collected using the X-Plane simulation platform, contains 10,002 images and 29,347 instances with three categories. We evaluate eight representative instance segmentation methods on BARS and analyze their performance. Based on the characteristic of the airport runway with a regular shape, we propose a plug-and-play smoothing post-processing module (SPPM) and a contour point constraint loss (CPCL) function to smooth segmentation results for mask-based and contour-based methods, respectively. Furthermore, a novel evaluation metric named average smoothness (AS) is developed to measure smoothness. The experiments show that existing instance segmentation methods can achieve prediction results with good performance on BARS. SPPM and CPCL can improve the average accuracy by 0.9% and 1.13%, respectively. And the average smoothness enhancements for SPPM and CPCL are more than 50% and 28%, respectively. Our work will be released at https://github.com/c-wenhui/BARS.
Abstract（参考訳）: 空港滑走路のセグメンテーションは、航空事故のリスクが最も大きい着陸段階での事故率を効果的に低減することができる。ディープラーニングの急速な発展に伴い、関連する手法はセグメンテーションタスクにおいて優れた性能を示し、複雑なシーンに適応できる。しかし,この分野では大規模で公開可能なデータセットが不足しているため,ディープラーニングに基づく手法の開発は困難である。そこで我々はBARSという空港滑走路セグメンテーションのベンチマークを提案する。一方、半自動アノテーションパイプラインは、アノテーションのワークロードを減らすように設計されている。 barsは最もリッチなカテゴリとフィールド内の唯一のインスタンスアノテーションを持つ最大のデータセットを持っています。 X-Planeシミュレーションプラットフォームを使用して収集されたデータセットには,3つのカテゴリを持つ10,002イメージと29,347のインスタンスが含まれている。 BARSにおける8つの代表的インスタンス分割法を評価し,その性能を解析した。空港滑走路の特徴と規則的な形状に基づいて,マスクベースおよび輪郭ベース手法のスムーズなセグメンテーション結果を得るために,プラグアンドプレイスムーズな後処理モジュール (SPPM) と輪郭点制約損失 (CPCL) 関数を提案する。さらに, 平均滑らか度 (AS) と呼ばれる新しい評価指標を開発し, 滑らか度を測定する。実験の結果,既存のインスタンスセグメンテーション手法では,BARSの性能がよい予測結果が得られることがわかった。 SPPMとCPCLは平均精度をそれぞれ0.9%と1.13%向上させることができる。また,sppmとcpclの平均平滑性向上率は,それぞれ50%以上,28%以上であった。私たちの仕事はhttps://github.com/c-wenhui/BARS.comで公開されます。

関連論文リスト

SAM-OCTA: A Fine-Tuning Strategy for Applying Foundation Model to OCTA Image Segmentation Tasks [2.8743451550676866]
低ランク適応手法を基礎モデル微調整に適用し,それに対応するプロンプトポイント生成戦略を提案する。この手法はSAM-OCTAと呼ばれ、OCTA-500データセットで実験されている。本手法は,最先端の性能指標を達成しつつ,局所血管の分断と動脈静脈の分断を効果的に行う。
論文参考訳（メタデータ） (2023-09-21T03:41:08Z)
Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
論文参考訳（メタデータ） (2023-09-11T16:17:50Z)
Integral Continual Learning Along the Tangent Vector Field of Tasks [112.02761912526734]
本稿では,特殊データセットからの情報を段階的に組み込んだ軽量連続学習手法を提案する。ソースデータセットの0.4%まで小さく、小さな固定サイズのメモリバッファを保持しており、単純な再サンプリングによって更新される。提案手法は,異なるデータセットに対して,様々なバッファサイズで高い性能を実現する。
論文参考訳（メタデータ） (2022-11-23T16:49:26Z)
PoF: Post-Training of Feature Extractor for Improving Generalization [15.27255942938806]
我々は、既に訓練済みの深層モデルの特徴抽出器部分を更新して、より平坦な最小限の探索を行う訓練アルゴリズムを開発した。実験結果から,PoFはベースライン法に対してモデル性能を改善した。
論文参考訳（メタデータ） (2022-07-05T07:16:59Z)
A Coarse-to-Fine Instance Segmentation Network with Learning Boundary Representation [10.967299485260163]
境界ベースのインスタンスセグメンテーションは、その魅力的な効率性から多くの注目を集めている。既存の手法は長距離回帰の難しさに悩まされている。この問題に対処する粗大なモジュールを提案する。
論文参考訳（メタデータ） (2021-06-18T16:37:28Z)
Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文参考訳（メタデータ） (2021-05-22T10:17:38Z)
PlaneSegNet: Fast and Robust Plane Estimation Using a Single-stage Instance Segmentation CNN [12.251947429149796]
本稿では,単一のrgb画像から分割平面領域を推定する,リアルタイム深層ニューラルネットワークアーキテクチャを提案する。本手法は2段階法に比べてフレームレートが著しく高く,セグメンテーション精度も同等である。
論文参考訳（メタデータ） (2021-03-29T08:53:05Z)
Smooth-AP: Smoothing the Path Towards Large-Scale Image Retrieval [94.73459295405507]
Smooth-APは、ディープネットワークのエンドツーエンドトレーニングを可能にする、プラグアンドプレイの客観的機能である。我々はSmooth-APをStanford Online製品とVabyIDの標準ベンチマークに適用する。 Inaturalist for fine-fine category search, VGGFace2 and IJB-C for face search。
論文参考訳（メタデータ） (2020-07-23T17:52:03Z)
The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。主な原因は、オブジェクト提案の不正確な分類である。そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-23T12:49:07Z)
Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文参考訳（メタデータ） (2020-03-28T18:51:43Z)

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。