論文の概要: Deep Learning Object Detection Approaches to Source Identification
- arxiv url: http://arxiv.org/abs/2210.16173v1
- Date: Thu, 27 Oct 2022 02:08:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 17:53:44.418117
- Title: Deep Learning Object Detection Approaches to Source Identification
- Title(参考訳): ディープラーニングオブジェクト検出によるソース識別
- Authors: Luke Wood, Kevin Anderson, Peter Gerstoft
- Abstract要約: 本稿では,従来の音源識別アルゴリズムを用いて,故障事例を緩和するシステムを提案する。
コントリビューションには、オブジェクト検出問題としてのフレーミングソース識別、スペクトログラムオブジェクト検出データセットの公開、およびデータセット上でトレーニングされたRetinaNetおよびYOLOv5オブジェクト検出モデルの評価が含まれる。
- 参考スコア(独自算出の注目度): 15.813217907813778
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditionally source identification is solved using threshold based energy
detection algorithms. These algorithms frequently sum up the activity in
regions, and consider regions above a specific activity threshold to be
sources. While these algorithms work for the majority of cases, they often fail
to detect signals that occupy small frequency bands, fail to distinguish
sources with overlapping frequency bands, and cannot detect any signals under a
specified signal to noise ratio. Through the conversion of raw signal data to
spectrogram, source identification can be framed as an object detection
problem. By leveraging modern advancements in deep learning based object
detection, we propose a system that manages to alleviate the failure cases
encountered when using traditional source identification algorithms. Our
contributions include framing source identification as an object detection
problem, the publication of a spectrogram object detection dataset, and
evaluation of the RetinaNet and YOLOv5 object detection models trained on the
dataset. Our final models achieve Mean Average Precisions of up to 0.906. With
such a high Mean Average Precision, these models are sufficiently robust for
use in real world applications.
- Abstract(参考訳): 従来,しきい値に基づくエネルギー検出アルゴリズムを用いて音源同定を行う。
これらのアルゴリズムは、しばしば領域のアクティビティを要約し、特定の活動しきい値を超える領域をソースとみなす。
これらのアルゴリズムは、ほとんどのケースで機能するが、小さな周波数帯域を占める信号を検出できず、重なり合う周波数帯域を持つソースを識別できず、特定の信号と雑音比の信号は検出できない。
生信号データのスペクトログラムへの変換により、ソース識別を物体検出問題としてフレーム化することができる。
ディープラーニングに基づくオブジェクト検出の現代的進歩を活用することで,従来の情報源識別アルゴリズムを用いて発生する障害を緩和するシステムを提案する。
コントリビューションには、オブジェクト検出問題としてのフレーミングソース識別、スペクトログラムオブジェクト検出データセットの公開、データセット上でトレーニングされたRetinaNetおよびYOLOv5オブジェクト検出モデルの評価が含まれる。
我々の最終モデルは平均精度0.906に達する。
このような高い平均精度で、これらのモデルは現実世界のアプリケーションで使うのに十分頑丈である。
関連論文リスト
- Towards Open-World Object-based Anomaly Detection via Self-Supervised Outlier Synthesis [15.748043194987075]
この研究は、オープンワールドオブジェクト検出器とOoD検出器を仮想外周で活用することでギャップを埋めることを目的としている。
提案手法では,オブジェクト検出アーキテクチャ全体を拡張して,クラスラベルに依存することなく,異常に認識された特徴表現を学習する。
提案手法は,オブジェクトレベルの異常検出における最先端性能を確立し,自然画像の平均リコールスコアを5.4%以上向上させる。
論文 参考訳(メタデータ) (2024-07-22T16:16:38Z) - Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。
ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。
BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文 参考訳(メタデータ) (2024-07-10T18:00:54Z) - A Low-cost Strategic Monitoring Approach for Scalable and Interpretable
Error Detection in Deep Neural Networks [6.537257913467249]
深層コンピュータビジョンネットワークのための高能率ランタイムモニタリング手法を提案する。
ハードウェアメモリと入力障害の両方から発生するサイレントデータの破損を効率よく検出することができる。
論文 参考訳(メタデータ) (2023-10-31T10:45:55Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳(メタデータ) (2023-05-11T16:19:44Z) - Iterative Sound Source Localization for Unknown Number of Sources [57.006589498243336]
終端基準を満たすまで、各音源のDOAをしきい値なしで反復的に抽出できるISSLと呼ばれる反復音源定位手法を提案する。
我々のISSLは、既存のしきい値ベースのアルゴリズムと比較して、DOA推定とソース番号検出の両方で大幅な性能改善を実現しています。
論文 参考訳(メタデータ) (2022-06-24T13:19:44Z) - A Unified Benchmark for the Unknown Detection Capability of Deep Neural
Networks [2.578242050187029]
本稿では,従来の個別タスクの統合である未知検出タスクを紹介する。
我々は、Deep Ensembleが未知の発見において、他のアプローチよりも一貫して優れていることを発見した。
論文 参考訳(メタデータ) (2021-12-01T08:07:01Z) - Am I Rare? An Intelligent Summarization Approach for Identifying Hidden
Anomalies [0.0]
本稿では,INSIDENTと呼ばれる隠れ異常を識別するインテリジェント・サマリゼーション手法を提案する。
提案手法は,各クラスタの特徴を局所重み付けすることにより,特徴空間を特徴空間に動的にマッピングするクラスタリングに基づくアルゴリズムである。
また、クラスタサイズに基づく代表者の選択は、集計データ内の元のデータと同じ分布を保持する。
論文 参考訳(メタデータ) (2020-12-24T23:22:57Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳(メタデータ) (2020-11-17T09:39:42Z) - Algorithmic Frameworks for the Detection of High Density Anomalies [0.0]
高密度異常(英: high-density anomalies)は、データ空間の最も正常な領域に位置する不確定なケースである。
本研究では、教師なし検出のための非パラメトリックアルゴリズムフレームワークをいくつか導入する。
論文 参考訳(メタデータ) (2020-10-09T17:48:02Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳(メタデータ) (2020-03-09T08:16:16Z)
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。