論文の概要: PL-UNeXt: Per-stage Edge Detail and Line Feature Guided Segmentation for Power Line Detection

• arxiv url: http://arxiv.org/abs/2303.04413v2
• Date: Mon, 18 Sep 2023 05:33:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 00:41:23.257674
• Title: PL-UNeXt: Per-stage Edge Detail and Line Feature Guided Segmentation for Power Line Detection
• Title（参考訳）: PL-UNeXt:電力線検出のためのエッジ詳細とライン特徴分割
• Authors: Yang Cheng, Zhen Chen and Daming Liu
• Abstract要約: 電力線検出は電力会社にとって重要な検査課題であり、ドローンの障害物を避けるのにも有用である。 我々は,ブースター訓練戦略を備えた電力線分割モデルPL-UNeXtを提供する。 我々のモデルは、TTPLAで70.6F1スコア(+1.9%)、VITLで68.41mIoU(+5.2%)に達する。
• 参考スコア（独自算出の注目度）: 9.124039064849798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power line detection is a critical inspection task for electricity companies and is also useful in avoiding drone obstacles. Accurately separating power lines from the surrounding area in the aerial image is still challenging due to the intricate background and low pixel ratio. In order to properly capture the guidance of the spatial edge detail prior and line features, we offer PL-UNeXt, a power line segmentation model with a booster training strategy. We design edge detail heads computing the loss in edge space to guide the lower-level detail learning and line feature heads generating auxiliary segmentation masks to supervise higher-level line feature learning. Benefited from this design, our model can reach 70.6 F1 score (+1.9%) on TTPLA and 68.41 mIoU (+5.2%) on VITL (without utilizing IR images), while preserving a real-time performance due to few inference parameters.
• Abstract（参考訳）: 電力線検出は電力会社にとって重要な検査課題であり、ドローンの障害物回避にも有用である。 複雑な背景と低い画素比のため、空中画像内の周辺領域から正確に電力線を分離することは依然として困難である。 空間エッジディテールのガイダンスを事前およびラインの特徴を適切に把握するために,ブースタトレーニング戦略を備えた電力線セグメンテーションモデルであるpl-unextを提案する。 我々は,エッジ空間の損失を計算するエッジディテールヘッドを設計し,下位ディテール学習と補助セグメンテーションマスクを生成するライン特徴ヘッドを導出し,高レベルなライン特徴学習を監督する。 この設計に適合して、我々のモデルはTTPLAで70.6 F1スコア(+1.9%)、VITLで68.41 mIoU(+5.2%)に達し、推論パラメータが少ないためにリアルタイムのパフォーマンスを維持することができる。

関連論文リスト

• Breaking the Low-Rank Dilemma of Linear Attention [61.55583836370135]
  線形注意(linear attention)は、複雑性を線形レベルに還元することで、はるかに効率的なソリューションを提供する。 実験により, この性能低下は, 線形アテンションの特徴マップの低ランク性に起因することが示唆された。 我々は,線形複雑性と高効率を維持しつつ,Softmaxの注目性能に匹敵するランク拡張線形注意(RALA)を導入する。
  論文  参考訳（メタデータ） (2024-11-12T08:30:59Z)
• Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
  私たちは小説を提案します。 ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。 ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。 挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
  論文  参考訳（メタデータ） (2024-10-10T17:00:04Z)
• Power Line Aerial Image Restoration under dverse Weather: Datasets and Baselines [17.3009572002435]
  電力線自律検査(PLAI)はスマートグリッドの構築において重要な役割を果たす。 PLAIはUAVが捉えた空中画像の電気成分と欠陥を正確に検出して完成する。 航空画像の可視的品質は、ヘイズ、雨、雪などの悪天候によって必然的に劣化し、我々の研究で検出精度を劇的に低下させることが判明した。 本稿では,悪天候の劣化画像から清潔で高品質な画像の復元を目的とした,逆気象下での電力線動画像復元(PLAIR-AW)の課題を提案する。
  論文  参考訳（メタデータ） (2024-09-07T12:53:05Z)
• Vision-Based Power Line Cables and Pylons Detection for Low Flying Aircraft [33.552660821272205]
  電力線ケーブルとパイロンを共同で検出する深層学習手法を開発した。 我々は,現代的畳み込み型アーキテクチャとトランスファーラーニング,カービリナー構造記述に適応した損失関数を組み合わせた。 オンボードシステムに統合し、飛行中に動作させ、実験により、従来の遠隔ケーブル検出方法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-07-19T14:34:25Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• FLatten Transformer: Vision Transformer using Focused Linear Attention [80.61335173752146]
  線形注意(linear attention)は、その線形複雑性に対して、はるかに効率的な代替手段を提供する。 現在の線形アテンションアプローチは、大きなパフォーマンス劣化に悩まされるか、追加の計算オーバーヘッドを導入するかのいずれかである。 本研究では,高効率と表現性の両方を実現するために,新しいFocused Linear Attentionモジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-01T10:37:12Z)
• DUFormer: Solving Power Line Detection Task in Aerial Images using Semantic Segmentation [17.77548837421917]
  無人航空機(UAV)は、電力線を検査したり高解像度の空中画像を撮影するために頻繁に使用される。 この問題に対処するために,航空画像中の電力線を明示的に検出するセマンティックセグメンテーションアルゴリズムであるDUFormerを導入する。 提案手法は,TTPLAデータセット上での電力線セグメンテーションにおけるすべての最先端手法より優れている。
  論文  参考訳（メタデータ） (2023-04-12T12:59:02Z)
• DeepLSD: Line Segment Detection and Refinement with Deep Image Gradients [105.25109274550607]
  ラインセグメントは、視覚タスクでますます使われています。 画像勾配に基づく従来の線検出器は非常に高速で精度が高いが、ノイズの多い画像や困難な条件では頑丈さに欠ける。 我々は、両方の世界を最大限に活用するために、伝統的なアプローチと学習されたアプローチを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2022-12-15T12:36:49Z)
• Vicinity Vision Transformer [53.43198716947792]
  線形複雑度を有する視覚変換器に局所性バイアスを導入するビシニティ注意法を提案する。 提案手法は,従来の手法よりも50%少ないパラメータで,最先端の画像分類精度を実現する。
  論文  参考訳（メタデータ） (2022-06-21T17:33:53Z)
• PLGAN: Generative Adversarial Networks for Power-Line Segmentation in Aerial Images [15.504887854179666]
  PLGANは、異なる背景を持つ空中画像から電力線を分割するシンプルで効果的な方法である。 生成した画像の適切な形状を高品質な特徴埋め込みに活用する。 提案するPLGANは, セマンティックセグメンテーションや線検出において, 従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-04-14T21:43:31Z)
• PLAD: A Dataset for Multi-Size Power Line Assets Detection in High-Resolution UAV Images [1.4698569949278106]
  本研究は,パワーラインコンポーネントの高解像度および実世界の画像を含むPower Line Assetsデータセットを提案する。 注釈付き物体は2,409個あり、トランスミッションタワー、絶縁体、スペーサー、タワープレート、ストックブリッジダンパーの5つのクラスに分けられている。 また、一般的なディープオブジェクト検出手法による評価を行い、改善の余地をかなり示している。
  論文  参考訳（メタデータ） (2021-08-18T02:26:05Z)

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。