論文の概要: Creating awareness about security and safety on highways to mitigate wildlife-vehicle collisions by detecting and recognizing wildlife fences using deep learning and drone technology

• arxiv url: http://arxiv.org/abs/2301.07174v1
• Date: Thu, 22 Dec 2022 13:00:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-29 14:07:17.722379
• Title: Creating awareness about security and safety on highways to mitigate wildlife-vehicle collisions by detecting and recognizing wildlife fences using deep learning and drone technology
• Title（参考訳）: 深層学習とドローン技術を用いた野生動物フェンスの検出と認識による野生動物と車両の衝突を緩和する高速道路の安全と安全性の認識
• Authors: Irene Nandutu, Marcellin Atemkeng, Patrice Okouma, Nokubonga Mgqatsa, Jean Louis Ebongue Kedieng Fendji, Franklin Tchakounte
• Abstract要約: 南アフリカでは、短時間の快適な休憩のために長距離を旅するときに、人々が道路のそばに車を置き去りにするのが一般的な習慣である。 ここでは、ドローン技術とコンピュータビジョンアルゴリズムを使用して野生生物のフェンスと関連する機能を認識し、検出する、野生生物のフェンシングについての認識を作成する。 南アフリカの東ケープにあるAmakhalaとLalibelaのプライベートゲーム保護区のデータを収集した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In South Africa, it is a common practice for people to leave their vehicles beside the road when traveling long distances for a short comfort break. This practice might increase human encounters with wildlife, threatening their security and safety. Here we intend to create awareness about wildlife fencing, using drone technology and computer vision algorithms to recognize and detect wildlife fences and associated features. We collected data at Amakhala and Lalibela private game reserves in the Eastern Cape, South Africa. We used wildlife electric fence data containing single and double fences for the classification task. Additionally, we used aerial and still annotated images extracted from the drone and still cameras for the segmentation and detection tasks. The model training results from the drone camera outperformed those from the still camera. Generally, poor model performance is attributed to (1) over-decompression of images and (2) the ability of drone cameras to capture more details on images for the machine learning model to learn as compared to still cameras that capture only the front view of the wildlife fence. We argue that our model can be deployed on client-edge devices to inform people about the presence and significance of wildlife fencing, which minimizes human encounters with wildlife, thereby mitigating wildlife-vehicle collisions.
• Abstract（参考訳）: 南アフリカでは、短い快適休憩のために長距離を旅するときに道路脇に車を置いて行くのが一般的である。 この慣行は野生生物との遭遇を高め、安全と安全を脅かす可能性がある。 ここでは,野生生物のフェンスや関連機能を認識・検出するために,ドローン技術とコンピュータビジョンアルゴリズムを用いて野生生物のフェンシングに関する認識を作成する。 南アフリカの東ケープにあるamakhalaとlalibelaのプライベートゲーム・リザーブでデータを集めました。 野生生物の電気フェンスデータに単一フェンスと二重フェンスを併用して分類を行った。 さらに、ドローンから抽出した空中および静止した注釈付き画像と、セグメンテーションおよび検出タスクのための静止カメラを使用した。 ドローンカメラのトレーニング結果は、静止カメラのトレーニングよりも優れていた。 一般的には,(1)画像の過剰な圧縮,(2)ドローンカメラによる機械学習モデルにおける画像のより詳細な取得能力は,野生生物フェンスの正面像のみを捉えた静止カメラと比較して学習する能力に起因している。 我々は、我々のモデルは、野生動物との遭遇を最小限に抑える野生動物フェンシングの存在と意義を人々に伝えるために、クライアントエッジデバイスにデプロイできると主張している。

関連論文リスト

• Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
  モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。 教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。 コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-02T08:32:00Z)
• An empirical study of automatic wildlife detection using drone thermal imaging and object detection [6.179033141934765]
  遠隔操縦航空機システム(RPASまたはドローン')や熱画像技術の最近の進歩は、野生生物のデータを収集するための新しいアプローチを生み出している。 ドローンによる野生生物検出に関する総合的なレビューと実証研究を行っている。
  論文  参考訳（メタデータ） (2023-10-17T13:22:59Z)
• Legged Locomotion in Challenging Terrains using Egocentric Vision [70.37554680771322]
  本稿では,階段,縁石,石段,隙間を横断できる最初のエンドツーエンド移動システムを提案する。 この結果を,1台の前面深度カメラを用いた中型四足歩行ロボットに示す。
  論文  参考訳（メタデータ） (2022-11-14T18:59:58Z)
• Learning Active Camera for Multi-Object Navigation [94.89618442412247]
  ロボットアプリケーションでは、ロボットが複数のオブジェクトに自律的にナビゲートすることが不可欠だが、難しい。 既存のナビゲーション手法は主に固定カメラに焦点を当てており、アクティブカメラでナビゲートする試みはほとんど行われていない。 本稿では,アクティブカメラを用いて,複数の物体へのナビゲーションをより効率的に行うことを検討する。
  論文  参考訳（メタデータ） (2022-10-14T04:17:30Z)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
  本稿では,他の飛行ドローンからドローンを検知する問題に対処する。 ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。 これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-03-31T17:43:31Z)
• Computer Vision based Animal Collision Avoidance Framework for Autonomous Vehicles [0.0]
  動物はインドの道路でよく目撃されており、毎年自動車と自動車の事故が多発している。 これにより、このような事故の防止を支援するドライバーレス車両支援システムの開発が不可欠となる。 高速道路での動物検出の効率的なアプローチを開発することにより、車両と動物との衝突を回避するためのフレームワークを提案します。
  論文  参考訳（メタデータ） (2020-12-20T09:51:23Z)
• WhoAmI: An Automatic Tool for Visual Recognition of Tiger and Leopard Individuals in the Wild [3.1708876837195157]
  我々は,動物を識別し,動物の種類を特定し,2種の個体を識別する自動アルゴリズムを開発した。 本研究では,南インドのジャングルに記録されたカメラトラップ画像のデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2020-06-17T16:17:46Z)
• Sequence Information Channel Concatenation for Improving Camera Trap Image Burst Classification [1.94742788320879]
  カメラトラップは、生態系を乱すことなく、野生生物を自然の生息地で観察するために広く使用されている。 現在、世界中の様々な生態保護地域に大量のカメラトラップが配備されており、数十年にわたってデータを収集している。 既存のシステムは、画像が動物を含むかどうかを単一の画像から判断する分類を行う。 本研究では, チャネル間の3次元バースト画像とシーケンス情報を含むコンカレントマスクを用いて, ROC AUCを未知のカメラサイトからテストセットで20%改善することを示した。
  論文  参考訳（メタデータ） (2020-04-30T21:47:14Z)
• Detection and Tracking Meet Drones Challenge [131.31749447313197]
  本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。 当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。 本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
  論文  参考訳（メタデータ） (2020-01-16T00:11:56Z)

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。