論文の概要: A Simulation-Augmented Benchmarking Framework for Automatic RSO Streak
Detection in Single-Frame Space Images
- arxiv url: http://arxiv.org/abs/2305.00412v1
- Date: Sun, 30 Apr 2023 07:00:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 15:26:37.446703
- Title: A Simulation-Augmented Benchmarking Framework for Automatic RSO Streak
Detection in Single-Frame Space Images
- Title（参考訳）: 単一フレーム空間画像におけるRSOストリークの自動検出のためのシミュレーション強化ベンチマークフレームワーク
- Authors: Zhe Chen, Yang Yang, Anne Bettens, Youngho Eun, Xiaofeng Wu
- Abstract要約: 大規模データセットが利用可能な場合、ディープ畳み込みニューラルネットワーク(DCNN)は、オブジェクト検出において優れたパフォーマンスを示している。
RSO検出のための新しいシミュレーション強化ベンチマークフレームワーク(SAB-RSOD)を紹介する。
本フレームワークでは,実空間画像をキャプチャするセンサのハードウェアパラメータを最大限に活用することにより,まず高忠実度RSOシミュレータを開発する。
次に,このシミュレータを用いて宇宙空間に多彩なROSを含む画像を生成し,自動的に注釈を付ける。
- 参考スコア（独自算出の注目度）: 7.457841062817294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting Resident Space Objects (RSOs) and preventing collisions with other
satellites is crucial. Recently, deep convolutional neural networks (DCNNs)
have shown superior performance in object detection when large-scale datasets
are available. However, collecting rich data of RSOs is difficult due to very
few occurrences in the space images. Without sufficient data, it is challenging
to comprehensively train DCNN detectors and make them effective for detecting
RSOs in space images, let alone to estimate whether a detector is sufficiently
robust. The lack of meaningful evaluation of different detectors could further
affect the design and application of detection methods. To tackle this issue,
we propose that the space images containing RSOs can be simulated to complement
the shortage of raw data for better benchmarking. Accordingly, we introduce a
novel simulation-augmented benchmarking framework for RSO detection (SAB-RSOD).
In our framework, by making the best use of the hardware parameters of the
sensor that captures real-world space images, we first develop a high-fidelity
RSO simulator that can generate various realistic space images. Then, we use
this simulator to generate images that contain diversified RSOs in space and
annotate them automatically. Later, we mix the synthetic images with the
real-world images, obtaining around 500 images for training with only the
real-world images for evaluation. Under SAB-RSOD, we can train different
popular object detectors like Yolo and Faster RCNN effectively, enabling us to
evaluate their performance thoroughly. The evaluation results have shown that
the amount of available data and image resolution are two key factors for
robust RSO detection. Moreover, if using a lower resolution for higher
efficiency, we demonstrated that a simple UNet-based detection method can
already access high detection accuracy.
- Abstract（参考訳）: 常駐宇宙物体(rsos)の検出と他の衛星との衝突の防止が重要である。
近年,大規模データセットが利用可能な場合,ディープ畳み込みニューラルネットワーク(DCNN)のオブジェクト検出性能が向上している。
しかし、宇宙画像にはほとんど発生しないため、RSOの豊富なデータ収集は困難である。
十分なデータがないと、dcnn検出器を総合的に訓練し、宇宙画像中のrsosを検出するのに効果的になるのは困難である。
異なる検出器の有意義な評価の欠如は、検出方法の設計と応用にさらに影響を及ぼす可能性がある。
この問題に対処するため, RSOを含む空間像をシミュレーションし, 生データの不足を補完し, より良いベンチマークを行う方法を提案する。
そこで我々は,RSO検出のための新しいシミュレーション拡張ベンチマークフレームワーク(SAB-RSOD)を提案する。
このフレームワークでは,実世界の空間画像をキャプチャするセンサのハードウェアパラメータを最大限に活用することにより,まず,様々な現実的空間画像を生成する高忠実度rsoシミュレータを開発する。
次に,このシミュレータを用いて,空間内の多様なrsosを含む画像を生成し,自動アノテーションを行う。
その後,合成画像と実世界の画像とを混合し,実世界の画像のみを用いて500枚の画像の訓練を行った。
SAB-RSODの下では、YoloやFaster RCNNのような様々な人気物体検出器を効果的に訓練することができ、それらの性能を徹底的に評価することができる。
評価の結果,ロバストなrso検出には,利用可能なデータ量と解像度の2つの重要な要因が示されている。
さらに,低解像度で高効率に使用した場合,UNetに基づく簡易検出手法が既に高い検出精度にアクセスできることを示した。
関連論文リスト
- Semantic Guided Large Scale Factor Remote Sensing Image Super-resolution with Generative Diffusion Prior [13.148815217684277]
大規模因子超解像(SR)アルゴリズムは、軌道から取得した低解像度(LR)衛星データの最大化に不可欠である。
既存の手法では、鮮明なテクスチャと正しい接地オブジェクトでSR画像を復元する際の課題に直面している。
本稿では,大規模リモートセンシング画像の超解像を実現するための新しいフレームワークであるセマンティックガイド拡散モデル(SGDM)を提案する。
論文 参考訳（メタデータ） (2024-05-11T16:06:16Z) - FlightScope: A Deep Comprehensive Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。
この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。
YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
論文 参考訳（メタデータ） (2024-04-03T17:24:27Z) - RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。
RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。
我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
論文 参考訳（メタデータ） (2024-04-03T12:06:01Z) - SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。
私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。
私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
論文 参考訳（メタデータ） (2024-03-11T09:20:40Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Diffusion Models for Interferometric Satellite Aperture Radar [73.01013149014865]
確率拡散モデル (Probabilistic Diffusion Models, PDMs) は、最近、非常に有望な生成モデルのクラスとして登場した。
ここでは、PDMを活用して、レーダーベースの衛星画像データセットを複数生成する。
PDMは複雑で現実的な構造を持つ画像を生成することに成功したが、サンプリング時間は依然として問題である。
論文 参考訳（メタデータ） (2023-08-31T16:26:17Z) - An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。
RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。
RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
論文 参考訳（メタデータ） (2022-04-06T13:38:11Z) - Learning Efficient Representations for Enhanced Object Detection on
Large-scene SAR Images [16.602738933183865]
SAR(Synthetic Aperture Radar)画像のターゲットの検出と認識は難しい問題である。
近年開発されたディープラーニングアルゴリズムは,SAR画像の固有の特徴を自動的に学習することができる。
本稿では,効率的かつ堅牢なディープラーニングに基づくターゲット検出手法を提案する。
論文 参考訳（メタデータ） (2022-01-22T03:25:24Z) - Remote Sensing Image Super-resolution and Object Detection: Benchmark
and State of the Art [7.74389937337756]
本稿では、リモートセンシング画像の現在のデータセットとオブジェクト検出方法(深層学習に基づく)についてレビューする。
本稿では,大規模かつ一般公開なリモートセンシング超解像オブジェクト検出データセットを提案する。
また、画像超解像に基づく物体検出のベンチマークを行うために、Residual Feature aggregate (MCGR) と補助YOLOv5検出器を備えた新しいマルチクラスサイクル超解像対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-05T04:56:34Z) - Cosmic-CoNN: A Cosmic Ray Detection Deep-Learning Framework, Dataset,
and Toolkit [5.687706040582625]
汎用CR検出モデルを生成するためのディープラーニングフレームワークであるCosmic-CoNNを提案する。
我々は、ラス・カンブレス天文台のグローバル望遠鏡ネットワークから数千の画像を活用する、大規模で多様な地上ベースのCRデータセットを構築した。
また、コンソールコマンド、Webベースのアプリケーション、Python APIを含む一連のツールを構築して、天文学者のコミュニティによって広くアクセス可能な、自動で堅牢なCR検出を実現しています。
論文 参考訳（メタデータ） (2021-06-28T18:04:56Z) - Real Image Super Resolution Via Heterogeneous Model Ensemble using
GP-NAS [63.48801313087118]
本稿では,高密度スキップ接続を有するディープ残差ネットワークを用いた画像超解像法を提案する。
提案手法は、AIM 2020 Real Image Super-Resolution Challengeの3トラックで1位を獲得した。
論文 参考訳（メタデータ） (2020-09-02T22:33:23Z)
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。