論文の概要: SeaDroneSim: Simulation of Aerial Images for Detection of Objects Above Water

• arxiv url: http://arxiv.org/abs/2210.16107v1
• Date: Wed, 26 Oct 2022 21:50:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 17:18:47.514587
• Title: SeaDroneSim: Simulation of Aerial Images for Detection of Objects Above Water
• Title（参考訳）: seadronesim:水中の物体検出のための空中画像のシミュレーション
• Authors: Xiaomin Lin, Cheng Liu, Miao Yu, Yiannis Aloimonous
• Abstract要約: 無人航空機(UAV)はその高速で多用途で知られている。 我々は、フォトリアリスティックな空中画像データセットを作成するために使用できる新しいベンチマークスイート、textittextbfSeaDroneSimを提案する。 実地画像に71mAPを印加し,BlueROV検出の実現可能性について検討した。
• 参考スコア（独自算出の注目度）: 4.625920569634467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned Aerial Vehicles (UAVs) are known for their fast and versatile applicability. With UAVs' growth in availability and applications, they are now of vital importance in serving as technological support in search-and-rescue(SAR) operations in marine environments. High-resolution cameras and GPUs can be equipped on the UAVs to provide effective and efficient aid to emergency rescue operations. With modern computer vision algorithms, we can detect objects for aiming such rescue missions. However, these modern computer vision algorithms are dependent on numerous amounts of training data from UAVs, which is time-consuming and labor-intensive for maritime environments. To this end, we present a new benchmark suite, \textit{\textbf{SeaDroneSim}}, that can be used to create photo-realistic aerial image datasets with the ground truth for segmentation masks of any given object. Utilizing only the synthetic data generated from \textit{\textbf{SeaDroneSim}}, we obtain 71 mAP on real aerial images for detecting BlueROV as a feasibility study. This result from the new simulation suit also serves as a baseline for the detection of BlueROV.
• Abstract（参考訳）: 無人航空機(UAV)はその高速で多用途で知られている。 UAVの可用性と応用性の向上に伴い、海洋環境におけるサーチ・アンド・レスキュー(SAR)活動における技術支援として重要な役割を担っている。 高解像度カメラとGPUは、緊急救助活動に効果的かつ効率的な支援を提供するためにUAVに装備することができる。 現代のコンピュータビジョンアルゴリズムでは、このような救助任務を狙う物体を検出できる。 しかし、現代のコンピュータビジョンアルゴリズムは、UAVからの大量のトレーニングデータに依存している。 そこで我々は,任意の物体のセグメンテーションマスクに対して,基底真理を持つ写真実写的空中画像データセットを作成するための,新たなベンチマークスイートである \textit{\textbf{seadronesim}} を提案する。 実地画像から生成した合成データのみを用いて,BlueROV検出のための71mAPを実用性調査として取得した。 この新しいシミュレーションスーツによるこの結果は、BlueROVの検出のベースラインとしても機能する。

関連論文リスト

• Automatic UAV-based Airport Pavement Inspection Using Mixed Real and Virtual Scenarios [3.0874677990361246]
  本稿では,UAVが捉えた画像を用いて,舗装の苦悩を自動的に識別する視覚的アプローチを提案する。 提案手法は,画像の欠陥を分割する深層学習(DL)に基づいている。 合成および実訓練画像からなる混合データセットを使用することで、実アプリケーションシナリオでトレーニングモデルをテストする場合、より良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-11T16:30:07Z)
• Deep Learning Computer Vision Algorithms for Real-time UAVs On-board Camera Image Processing [77.34726150561087]
  本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。 すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
  論文  参考訳（メタデータ） (2022-11-02T11:10:42Z)
• Aerial View Goal Localization with Reinforcement Learning [6.165163123577484]
  本稿では,実際のUAVへのアクセスを必要とせずに,SAR(Search-and-Rescue)のようなセットアップをエミュレートするフレームワークを提案する。 この枠組みでは、エージェントが空中画像(探索領域のプロキシ)上で動作し、視覚的手がかりとして記述されたゴールのローカライズを行う。 AiRLocは、探索(遠方目標探索)と搾取(近方目標の局所化)を分離する強化学習(RL)に基づくモデルである。
  論文  参考訳（メタデータ） (2022-09-08T10:27:53Z)
• xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
  世界の漁業は海洋資源や生態系に大きな脅威をもたらす。 夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
  論文  参考訳（メタデータ） (2022-06-02T06:53:45Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• 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)
• Safe Vessel Navigation Visually Aided by Autonomous Unmanned Aerial Vehicles in Congested Harbors and Waterways [9.270928705464193]
  この研究は、従来のRGBカメラと補助的な絶対位置決めシステム(GPSなど)で捉えた長距離視覚データから未知の物体までの距離を検知し推定する最初の試みである。 シミュレーション結果は,UAV支援艦艇の視覚支援航法における提案手法の精度と有効性を示すものである。
  論文  参考訳（メタデータ） (2021-08-09T08:15:17Z)
• A Multi-UAV System for Exploration and Target Finding in Cluttered and GPS-Denied Environments [68.31522961125589]
  複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。 UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。 その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
  論文  参考訳（メタデータ） (2021-07-19T12:54:04Z)
• EmergencyNet: Efficient Aerial Image Classification for Drone-Based Emergency Monitoring Using Atrous Convolutional Feature Fusion [8.634988828030245]
  本稿では,緊急対応・監視用uavの航空機画像の効率的な分類について述べる。 緊急対応アプリケーションのための専用空中画像データベースを導入し、既存のアプローチの比較分析を行う。 マルチレゾリューション機能を処理するために,アトラス畳み込みに基づく軽量畳み込みニューラルネットワークアーキテクチャが提案されている。
  論文  参考訳（メタデータ） (2021-04-28T20:24:10Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)
• Efficient resource management in UAVs for Visual Assistance [0.0]
  農業、軍事、災害管理、航空写真に無人航空機(UAV)を使うことへの関心が高まっている。 リアルタイムで視覚支援タスクにUAVを使用する際の大きな課題の1つは、メモリ使用量と消費電力の管理である。 本稿では,UAVハードウェアにおける物体追跡や物体検出などの画像処理タスクをリアルタイムに最適化する新しい手法について述べる。
  論文  参考訳（メタデータ） (2020-07-11T21:12:24Z)

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。