論文の概要: Distinctive Self-Similar Object Detection

• arxiv url: http://arxiv.org/abs/2211.10995v2
• Date: Fri, 25 Aug 2023 11:34:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 18:14:21.128559
• Title: Distinctive Self-Similar Object Detection
• Title（参考訳）: 固有自己相似物体検出
• Authors: Zeyu Shangguan, Bocheng Hu, Guohua Dai, Yuyu Liu, Darun Tang, Xingqun Jiang
• Abstract要約: 火と煙の自己相似性の特徴的なフラクタル特性は, 様々な形状に苦しむのを緩和できる可能性が示唆された。 ケース間の類似性を記述するためにハウスドルフ距離を用いた半教師付き手法を設計する。 本実験は, 一般公開された火災・煙検知データセットを用いて実施した。
• 参考スコア（独自算出の注目度）: 0.8488455943441636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based object detection has demonstrated a significant presence in the practical applications of artificial intelligence. However, objects such as fire and smoke, pose challenges to object detection because of their non-solid and various shapes, and consequently difficult to truly meet requirements in practical fire prevention and control. In this paper, we propose that the distinctive fractal feature of self-similar in fire and smoke can relieve us from struggling with their various shapes. To our best knowledge, we are the first to discuss this problem. In order to evaluate the self-similarity of the fire and smoke and improve the precision of object detection, we design a semi-supervised method that use Hausdorff distance to describe the resemblance between instances. Besides, based on the concept of self-similar, we have devised a novel methodology for evaluating this particular task in a more equitable manner. We have meticulously designed our network architecture based on well-established and representative baseline networks such as YOLO and Faster R-CNN. Our experiments have been conducted on publicly available fire and smoke detection datasets, which we have thoroughly verified to ensure the validity of our approach. As a result, we have observed significant improvements in the detection accuracy.
• Abstract（参考訳）: ディープラーニングに基づく物体検出は、人工知能の実践的応用において重要な存在を示している。 しかし, 火災や煙などの物体は, 非固体や様々な形状のため物体検出に困難を伴い, 実用的防火制御の要件を真に満たすことは困難である。 本稿では, 火と煙の自己相似性の特徴的なフラクタル特性が, 様々な形状に苦しむのを緩和できることを示す。 私たちの知る限りでは、この問題を最初に議論する。 火災と煙の自己相似性を評価し,物体検出の精度を向上させるため,ハウドルフ距離を用いてインスタンス間の類似性を記述する半教師あり方式を設計した。 さらに,自己相似という概念に基づき,この課題をより公平な方法で評価するための新しい方法論を考案した。 我々は,yolo や faster r-cnn などの確立したベースラインネットワークに基づいて,ネットワークアーキテクチャを細心の注意を払って設計した。 本研究は, 火災・煙検知データセットの公開実験を行い, 本手法の有効性を確認するため, 徹底的に検証した。 その結果,検出精度は大幅に向上した。

関連論文リスト

• Towards Consistent Object Detection via LiDAR-Camera Synergy [17.665362927472973]
  物体の位置を点雲と画像の両方で検出できる既存のモデルは存在しない。 本稿では,エンドツーエンドの一貫性オブジェクト検出(COD)アルゴリズムフレームワークを提案する。 本稿では,点雲と画像間の物体相関の精度を評価するために,新しい評価指標である一貫性精度(Consistency Precision)を提案する。
  論文  参考訳（メタデータ） (2024-05-02T13:04:26Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Unsupervised Wildfire Change Detection based on Contrastive Learning [1.53934570513443]
  山火事の深刻度を正確に評価することは, 火災発生地域における燃料条件のキャラクタリゼーションに寄与する。 本研究の目的は、高解像度マルチスペクトル衛星画像上に構築された自律システムを開発することである。
  論文  参考訳（メタデータ） (2022-11-26T20:13:14Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Uncertainty-aware Joint Salient Object and Camouflaged Object Detection [43.01556978979627]
  本論文では, 相反する情報を活用し, 対流物体検出と迷彩物体検出の両方の検出能力を高めるパラダイムを提案する。 この2つのタスクの矛盾する属性を明示的にモデル化する類似度測度モジュールを導入する。 両タスクのデータセットにおけるラベル付けの不確実性を考慮して,高次類似度測定とネットワーク信頼度推定を両立させる逆学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-06T16:05:10Z)
• 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)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。