論文の概要: Nordic Vehicle Dataset (NVD): Performance of vehicle detectors using newly captured NVD from UAV in different snowy weather conditions

• arxiv url: http://arxiv.org/abs/2304.14466v1
• Date: Thu, 27 Apr 2023 18:55:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-01 16:05:26.621595
• Title: Nordic Vehicle Dataset (NVD): Performance of vehicle detectors using newly captured NVD from UAV in different snowy weather conditions
• Title（参考訳）: 北欧自動車データセット(NVD):降雪条件の異なるUAVから新たに取得したNVDを用いた車両検知装置の性能
• Authors: Hamam Mokayed and Amirhossein Nayebiastaneh and Kanjar De and Stergios Sozos and Olle Hagner and Bjorn Backe
• Abstract要約: ドローン画像における車両検出と認識は、異なる安全目的のために使用されている複雑な問題である。 様々な気象条件下での車両の検出と追跡に様々な技術が用いられている。 積雪の車両検出はまだ初期段階だ データが不足しているため 本研究は,北欧地域の様々な積雪条件下で,UAVが捉えた車両のデータを提供することによって,このギャップに対処することを目的とする。
• 参考スコア（独自算出の注目度）: 1.7452931180966467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle detection and recognition in drone images is a complex problem that has been used for different safety purposes. The main challenge of these images is captured at oblique angles and poses several challenges like non-uniform illumination effect, degradations, blur, occlusion, loss of visibility, etc. Additionally, weather conditions play a crucial role in causing safety concerns and add another high level of challenge to the collected data. Over the past few decades, various techniques have been employed to detect and track vehicles in different weather conditions. However, detecting vehicles in heavy snow is still in the early stages because of a lack of available data. Furthermore, there has been no research on detecting vehicles in snowy weather using real images captured by unmanned aerial vehicles (UAVs). This study aims to address this gap by providing the scientific community with data on vehicles captured by UAVs in different settings and under various snow cover conditions in the Nordic region. The data covers different adverse weather conditions like overcast with snowfall, low light and low contrast conditions with patchy snow cover, high brightness, sunlight, fresh snow, and the temperature reaching far below -0 degrees Celsius. The study also evaluates the performance of commonly used object detection methods such as Yolo v8, Yolo v5, and fast RCNN. Additionally, data augmentation techniques are explored, and those that enhance the detectors' performance in such scenarios are proposed. The code and the dataset will be available at https://nvd.ltu-ai.dev
• Abstract（参考訳）: ドローン画像における車両検出と認識は、異なる安全目的のために使用されている複雑な問題である。 これらの画像の主な課題は斜めの角度で撮影され、一様でない照明効果、劣化、ぼかし、閉塞、視界の喪失などいくつかの課題が生じる。 さらに、気象条件は、安全上の懸念を引き起こし、収集されたデータにさらに高いレベルの課題を加える上で重要な役割を果たす。 過去数十年間、さまざまな気象条件下での車両の検出と追跡に様々な技術が使われてきた。 しかし、降雪時の車両検出は、データが不足しているため、まだ初期段階にある。 さらに、無人航空機(uavs)が撮影した実画像を用いて、積雪中の車両を検知する研究も行われていない。 本研究は,北欧の様々な積雪条件下で,UAVが捉えた車両のデータを科学コミュニティに提供することで,このギャップに対処することを目的とする。 このデータは、降雪による曇り、低光度、低いコントラスト条件、パッチ状の雪カバー、高輝度、日光、新鮮な雪、気温など、さまざまな悪天候条件をカバーしている。 また,Yolo v8,Yolo v5,高速RCNNなどの一般的なオブジェクト検出手法の性能評価を行った。 さらに,データ拡張手法を考察し,このようなシナリオで検出器の性能を向上させる手法を提案する。 コードとデータセットはhttps://nvd.ltu-ai.devで確認できる。

関連論文リスト

• Vehicle Detection Performance in Nordic Region [9.914220157314551]
  本論文は,北欧地方の厳しい冬条件下での車両検出における重要な課題について論じる。 従来の車両検出手法は、これらの有害な状況で苦労してきた。 本研究では、Nordic Vehicleデータセットを用いて、最先端の車両検出アルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2024-03-22T08:03:10Z)
• EVD4UAV: An Altitude-Sensitive Benchmark to Evade Vehicle Detection in UAV [19.07281015014683]
  無人航空機(UAV)の撮影画像における車両検出は、航空写真やリモートセンシングに広く応用されている。 近年の研究では、物体に対向パッチを加えることで、よく訓練されたディープニューラルネットワークベースの物体検出器を騙すことが示されている。 UAVにおける車両検出を回避するための高度感度ベンチマークとしてEVD4UAVという新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2024-03-08T16:19:39Z)
• Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
  本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。 提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。 悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
  論文  参考訳（メタデータ） (2023-05-25T15:03:36Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• AVisT: A Benchmark for Visual Object Tracking in Adverse Visibility [125.77396380698639]
  AVisTは、視認性の悪いさまざまなシナリオにおける視覚的トラッキングのためのベンチマークである。 AVisTは、80kの注釈付きフレームを持つ120の挑戦的なシーケンスで構成されており、18の多様なシナリオにまたがっている。 我々は、属性間でのトラッキング性能を詳細に分析し、AVisTで17の人気のトラッカーと最近のトラッカーをベンチマークした。
  論文  参考訳（メタデータ） (2022-08-14T17:49:37Z)
• Ithaca365: Dataset and Driving Perception under Repeated and Challenging Weather Conditions [0.0]
  我々は、新しいデータ収集プロセスを通じて、堅牢な自律運転を可能にする新しいデータセットを提案する。 データセットには、高精度GPS/INSとともに、カメラとLiDARセンサーからの画像と点雲が含まれている。 道路・オブジェクトのアモーダルセグメンテーションにおけるベースラインの性能を解析することにより,このデータセットの特異性を実証する。
  論文  参考訳（メタデータ） (2022-08-01T22:55:32Z)
• LiDAR Snowfall Simulation for Robust 3D Object Detection [116.10039516404743]
  そこで本研究では,降雪の影響をシミュレーションする物理的手法を提案する。 本手法では,LiDARの各線に対して2次元空間の雪粒子をサンプリングし,誘導幾何を用いて各LiDAR線の測定を修正した。 我々はシミュレーションを用いて、部分的に合成された雪のLiDARデータを生成し、これらのデータを利用して、降雪に頑健な3次元物体検出モデルを訓練する。
  論文  参考訳（メタデータ） (2022-03-28T21:48:26Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• DAWN: Vehicle Detection in Adverse Weather Nature Dataset [4.09920839425892]
  本研究では,DAWNと呼ばれる各種気象条件下で収集した実世界の画像からなる新しいデータセットを提案する。 このデータセットは、実際の交通環境から1000枚の画像を集め、霧、雪、雨、砂嵐の4つの天候条件に分けられる。 このデータは,車両検知システムの性能に及ぼす悪天候の影響の解明に有効である。
  論文  参考訳（メタデータ） (2020-08-12T15:48:49Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。