論文の概要: SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations

• arxiv url: http://arxiv.org/abs/2211.05237v1
• Date: Thu, 22 Sep 2022 07:33:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-25 17:41:28.991939
• Title: SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations
• Title（参考訳）: SimuShips -- 高精度アノテーションを用いた船舶検出のための高分解能シミュレーションデータセット
• Authors: Minahil Raza, Hanna Prokopova, Samir Huseynzade, Sepinoud Azimi and Sebastien Lafond
• Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obstacle detection is a fundamental capability of an autonomous maritime surface vessel (AMSV). State-of-the-art obstacle detection algorithms are based on convolutional neural networks (CNNs). While CNNs provide higher detection accuracy and fast detection speed, they require enormous amounts of data for their training. In particular, the availability of domain-specific datasets is a challenge for obstacle detection. The difficulty in conducting onsite experiments limits the collection of maritime datasets. Owing to the logistic cost of conducting on-site operations, simulation tools provide a safe and cost-efficient alternative for data collection. In this work, we introduce SimuShips, a publicly available simulation-based dataset for maritime environments. Our dataset consists of 9471 high-resolution (1920x1080) images which include a wide range of obstacle types, atmospheric and illumination conditions along with occlusion, scale and visible proportion variations. We provide annotations in the form of bounding boxes. In addition, we conduct experiments with YOLOv5 to test the viability of simulation data. Our experiments indicate that the combination of real and simulated images improves the recall for all classes by 2.9%.
• Abstract（参考訳）: 障害物検出は、自律海洋表面容器(AMSV)の基本機能である。 最先端の障害物検出アルゴリズムは畳み込みニューラルネットワーク(CNN)に基づいている。 CNNは高い検出精度と高速な検出速度を提供するが、トレーニングには膨大な量のデータを必要とする。 特に、ドメイン固有のデータセットが利用可能であることは、障害検出の課題である。 オンサイト実験の難しさは、海洋データセットの収集を制限する。 オンサイト操作を実行するロジスティックコストのため、シミュレーションツールはデータ収集の安全でコスト効率の良い代替手段を提供する。 本研究では,海上環境のためのシミュレーションベースデータセットであるSimuShipsを紹介する。 我々のデータセットは9471の高解像度画像(1920x1080)で構成されており、幅広い障害物タイプ、大気および照明条件、閉塞、スケール、可視比の変動を含む。 私たちはバウンディングボックスという形でアノテーションを提供します。 さらに, YOLOv5を用いて実験を行い, シミュレーションデータの有効性を検証した。 実画像とシミュレーション画像の組み合わせにより,全クラスのリコールが2.9%向上することを示す。

関連論文リスト

• Machine learned reconstruction of tsunami dynamics from sparse observations [0.0]
  本研究では, 津波波のフルフィールド表面高さ測定を行うために, スパースセンシング応用のためのトランスフォーマーニューラルネットワークを用いた。 我々は,USGSの過去の地震記録に対応する震源となる8つの津波シミュレーションからなるデータセット上でモデルを訓練する。 その結果, センサの少なくともいくつかが非ゼロ信号を得た場合, 真の磁場からの微細な位相と振幅特性の顕著な分解能が得られた。
  論文  参考訳（メタデータ） (2024-11-20T00:42:40Z)
• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,自律走行シミュレーションに特化して設計された新しい駆動ビュー合成データセットとベンチマークを提案する。 データセットには、トレーニング軌跡から1-4mずれて取得した画像のテストが含まれているため、ユニークなものだ。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• Training neural mapping schemes for satellite altimetry with simulation data [6.591483977714996]
  深層学習スキームは、時空問題に対処する魅力的なソリューションとして登場してきた。 リアルタイムデータセットの不足は、実世界のケーススタディにおける最先端のニューラルネットワークスキームのトレーニングを妨げる。 本稿では,海洋力学と衛星高度計の両方のシミュレーションを利用して,海面高さのシミュレーションに基づくニューラルマッピングを訓練する。
  論文  参考訳（メタデータ） (2023-09-19T14:32:25Z)
• Quantifying the LiDAR Sim-to-Real Domain Shift: A Detailed Investigation Using Object Detectors and Analyzing Point Clouds at Target-Level [1.1999555634662635]
  自律運転のためのニューラルネットワークに基づくLiDARオブジェクト検出アルゴリズムは、トレーニング、検証、テストのために大量のデータを必要とする。 ニューラルネットワークのトレーニングにシミュレーションデータを使用することで、シーン、シナリオ、分布の違いによるトレーニングデータとテストデータのドメインシフトが生じることを示す。
  論文  参考訳（メタデータ） (2023-03-03T12:52:01Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• PREPRINT: Comparison of deep learning and hand crafted features for mining simulation data [7.214140640112874]
  本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。 このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。 16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
  論文  参考訳（メタデータ） (2021-03-11T09:28:00Z)
• ABOShips -- An Inshore and Offshore Maritime Vessel Detection Dataset with Precise Annotations [0.17205106391379021]
  沿岸および沖合のデータセットの海洋容器検出は例外ではない。 異なる要因を考慮に入れた海上船舶画像のデータセットを収集した。 船体インスタンス(9種類の船を含む)、シーマーク、各種のフローターが正確に注釈付けされた。 4つの主成分検出アルゴリズムのアウト・オブ・ボックス性能を評価した。
  論文  参考訳（メタデータ） (2021-02-11T07:05:33Z)
• Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
  ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。 現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。 本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:15:35Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。