論文の概要: Foreign Object Debris Detection for Airport Pavement Images based on
Self-supervised Localization and Vision Transformer
- arxiv url: http://arxiv.org/abs/2210.16901v1
- Date: Sun, 30 Oct 2022 17:48:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 16:07:03.516672
- Title: Foreign Object Debris Detection for Airport Pavement Images based on
Self-supervised Localization and Vision Transformer
- Title（参考訳）: 自己監督型ローカライゼーションと視覚変換器を用いた空港舗装画像の異物デブリ検出
- Authors: Travis Munyer, Daniel Brinkman, Xin Zhong, Chenyu Huang, Iason
Konstantzos
- Abstract要約: 本稿では,滑走路画像の予測を学習し,自己教師付きFODローカライゼーションを提案する。
実世界の滑走路状況における任意のFODの検出に成功していることを示す実験結果を得た。
- 参考スコア（独自算出の注目度）: 2.619652989492286
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Supervised object detection methods provide subpar performance when applied
to Foreign Object Debris (FOD) detection because FOD could be arbitrary objects
according to the Federal Aviation Administration (FAA) specification. Current
supervised object detection algorithms require datasets that contain annotated
examples of every to-be-detected object. While a large and expensive dataset
could be developed to include common FOD examples, it is infeasible to collect
all possible FOD examples in the dataset representation because of the
open-ended nature of FOD. Limitations of the dataset could cause FOD detection
systems driven by those supervised algorithms to miss certain FOD, which can
become dangerous to airport operations. To this end, this paper presents a
self-supervised FOD localization by learning to predict the runway images,
which avoids the enumeration of FOD annotation examples. The localization
method utilizes the Vision Transformer (ViT) to improve localization
performance. The experiments show that the method successfully detects
arbitrary FOD in real-world runway situations. The paper also provides an
extension to the localization result to perform classification; a feature that
can be useful to downstream tasks. To train the localization, this paper also
presents a simple and realistic dataset creation framework that only collects
clean runway images. The training and testing data for this method are
collected at a local airport using unmanned aircraft systems (UAS).
Additionally, the developed dataset is provided for public use and further
studies.
- Abstract（参考訳）: 監視対象検出方法は、連邦航空局(FAA)の仕様に従って、FODは任意のオブジェクトである可能性があるため、外部オブジェクトデブリ(FOD)検出に適用した場合、サブパーパフォーマンスを提供する。
現在の教師付きオブジェクト検出アルゴリズムは、検出されるすべてのオブジェクトの注釈付き例を含むデータセットを必要とする。
一般的なFODの例を含むために、大規模で高価なデータセットを開発することができるが、FODのオープンな性質のため、データセット表現で可能なFODの例をすべて収集することは不可能である。
データセットの制限は、これらの教師付きアルゴリズムによって駆動されるFOD検出システムに特定のFODを見逃させる可能性がある。
そこで本稿では,FODアノテーションの例を列挙するのを避けるために,滑走路画像の予測を学習する自己教師型FODローカライゼーションを提案する。
ローカライズ手法では、ViT(Vision Transformer)を用いてローカライズ性能を向上させる。
実験により,実世界の滑走路状況における任意のFODの検出に成功した。
この論文は、分類を行うためのローカライズ結果の拡張も提供しており、これはダウンストリームタスクに有用な機能である。
ローカライゼーションをトレーニングするために,クリーンな滑走路イメージのみを収集する,シンプルで現実的なデータセット作成フレームワークを提案する。
この方法の訓練および試験データは、無人航空機システム(UAS)を用いて地元の空港で収集される。
さらに、開発データセットはパブリック使用とさらなる研究のために提供される。
関連論文リスト
- Open-World Object Detection with Instance Representation Learning [1.8749305679160366]
本研究では,新しい物体を検知し,オープンワールド条件下で意味的にリッチな特徴を抽出できる物体検知器の訓練手法を提案する。
提案手法は頑健で一般化可能な特徴空間を学習し,他のOWODに基づく特徴抽出法よりも優れている。
論文 参考訳（メタデータ） (2024-09-24T13:13:34Z) - 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) - AVOIDDS: Aircraft Vision-based Intruder Detection Dataset and Simulator [37.579437595742995]
AVOIDDSは、視覚に基づく航空機の検知・回避問題に対する現実的な物体検出ベンチマークである。
各種照明条件を有する侵入機の光実写画像72,000枚からなるラベル付きデータセットを提供する。
また、このデータセットのスライス上でトレーニングされたモデルを評価し、環境条件の変化に対する性能の変化を特定するインタフェースも提供する。
論文 参考訳（メタデータ） (2023-06-19T23:58:07Z) - MOST: Multiple Object localization with Self-supervised Transformers for
object discovery [97.47075050779085]
自己教師型トランスフォーマー(MOST)を用いた複数オブジェクトのローカライゼーションを提案する。
MOSTは、自己教師付き学習を用いて訓練されたトランスフォーマーの機能を使用して、実世界の画像に複数のオブジェクトをローカライズする。
対象検出器の自己教師付き事前学習にはMOSTが有効であり, 半教師付きオブジェクト検出と非教師付き領域提案生成において一貫した改善が得られた。
論文 参考訳（メタデータ） (2023-04-11T17:57:27Z) - A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and
Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。
このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。
このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文 参考訳（メタデータ） (2022-06-13T19:14:06Z) - 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) - FOD-A: A Dataset for Foreign Object Debris in Airports [2.709804256642196]
外部オブジェクトデブリ(FOD)検出は、機械学習とコンピュータビジョンの領域で注目を集めている。
本稿では,空港におけるFOD(FOD-A)と命名されたFODの画像データセットを紹介する。
FOD-Aオブジェクトカテゴリは、連邦航空局(FAA)による以前の文書および関連する研究のガイダンスに基づいて選択されている。
論文 参考訳（メタデータ） (2021-10-06T21:11:50Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Integrative Use of Computer Vision and Unmanned Aircraft Technologies in
Public Inspection: Foreign Object Debris Image Collection [2.709804256642196]
無人航空機システム(UAS)は公共サービス事業者やスマートシティにとって重要な資源となっている。
本研究の目的は,コンピュータビジョンとUAS技術を統合して公衆検査を自動化することである。
最初のケーススタディとして、軽量自動検出の可能性を評価するために、一般的な異物デブリ(FOD)のデータセットが開発された。
論文 参考訳（メタデータ） (2021-06-01T00:45:32Z) - Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing
Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。
生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
論文 参考訳（メタデータ） (2021-04-22T12:47:37Z) - 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)
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。