論文の概要: Large, Complex, and Realistic Safety Clothing and Helmet Detection: Dataset and Method

• arxiv url: http://arxiv.org/abs/2306.02098v2
• Date: Sat, 10 Aug 2024 18:49:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-14 01:08:32.405877
• Title: Large, Complex, and Realistic Safety Clothing and Helmet Detection: Dataset and Method
• Title（参考訳）: 大規模で複雑でリアルな安全衣服とヘルメット検出:データセットと方法
• Authors: Fusheng Yu, Jiang Li, Xiaoping Wang, Shaojin Wu, Junjie Zhang, Zhigang Zeng,
• Abstract要約: 我々は、大型で複雑で現実的な安全服とヘルメット検出データセットを構築した。 SFCHDは、12,373のイメージ、7のカテゴリ、50,552のアノテーションからなる2つの真正化学プラントに由来する。 我々は空間的およびチャネル的注意に基づく低照度拡張モジュールを設計する。
• 参考スコア（独自算出の注目度）: 35.39383667490014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting safety clothing and helmets is paramount for ensuring the safety of construction workers. However, the development of deep learning models in this domain has been impeded by the scarcity of high-quality datasets. In this study, we construct a large, complex, and realistic safety clothing and helmet detection (SFCHD) dataset. SFCHD is derived from two authentic chemical plants, comprising 12,373 images, 7 categories, and 50,552 annotations. We partition the SFCHD dataset into training and testing sets with a ratio of 4:1 and validate its utility by applying several classic object detection algorithms. Furthermore, drawing inspiration from spatial and channel attention mechanisms, we design a spatial and channel attention-based low-light enhancement (SCALE) module. SCALE is a plug-and-play component with a high degree of flexibility. Extensive evaluations of the SCALE module on both the ExDark and SFCHD datasets have empirically demonstrated its efficacy in enhancing the performance of detectors under low-light conditions. The dataset and code are publicly available at https://github.com/lijfrank-open/SFCHD-SCALE.
• Abstract（参考訳）: 安全服やヘルメットの検出は、建設作業員の安全を確保するための最重要課題である。 しかし、この領域におけるディープラーニングモデルの開発は、高品質なデータセットの不足によって妨げられている。 本研究では,大型で複雑で現実的な安全衣服とヘルメット検出データセットを構築した。 SFCHDは、12,373のイメージ、7のカテゴリ、50,552のアノテーションからなる2つの真正化学プラントに由来する。 SFCHDデータセットを4:1の比率でトレーニングとテストセットに分割し、いくつかの古典的オブジェクト検出アルゴリズムを適用してその有用性を検証する。 さらに,空間的およびチャネル的アテンション機構からインスピレーションを得て,空間的およびチャネル的アテンションに基づく低照度化(SCALE)モジュールを設計する。 SCALEは、高い柔軟性を持つプラグイン・アンド・プレイコンポーネントです。 ExDarkとSFCHDの両方のデータセットにおけるSCALEモジュールの広範囲な評価は、低照度条件下での検出器の性能向上において、その効果を実証的に実証している。 データセットとコードはhttps://github.com/lijfrank-open/SFCHD-SCALEで公開されている。

関連論文リスト

• How Important are Data Augmentations to Close the Domain Gap for Object Detection in Orbit? [15.550663626482903]
  宇宙空間におけるコンピュータビジョンの領域ギャップを埋めるためのデータ拡張の有効性について検討する。 本稿では,軌道画像に観察される視覚効果をエミュレートするために開発された2つの新しいデータ拡張法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T08:24:46Z)
• Plain-Det: A Plain Multi-Dataset Object Detector [22.848784430833835]
  Plain-Detは、新しいデータセットに対応する柔軟性、さまざまなデータセットのパフォーマンス、トレーニング効率を提供する。 13の下流データセットに対して広範な実験を行い、Plain-Detは強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-07-14T05:18:06Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• SpY: A Context-Based Approach to Spacecraft Component Detection [0.0]
  本稿では、カメラフィードを用いて、未知の宇宙物体(RSO)のソーラーパネル、ボディパネル、アンテナ、スラスタなどのコンポーネントを自律的に特徴付けることに焦点を当てる。 CNNは学習パターンとオブジェクト検出の実行に優れていますが、トレーニングデータとは異なる環境で検出や誤分類を見逃すことに苦労しています。 本稿では,コンテキスト知識を取り入れたCNNの一般化性を活用した,SpaceYOLOv2(SpY)と呼ばれるエンドツーエンドオブジェクト検出器を提案する。
  論文  参考訳（メタデータ） (2024-06-26T19:18:36Z)
• 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)
• InstaGen: Enhancing Object Detection by Training on Synthetic Dataset [59.445498550159755]
  本稿では,オブジェクト検出機能の向上,例えばカテゴリ拡大や検出性能の向上など,新たなパラダイムを提案する。 我々は、インスタンスレベルのグラウンドヘッドを事前訓練された生成拡散モデルに統合し、生成された画像のインスタンスをローカライズする機能で拡張する。 我々は、InstaGenと呼ばれる拡散モデルの強化版がデータシンセサイザーとして機能することを示すために、徹底的な実験を行う。
  論文  参考訳（メタデータ） (2024-02-08T18:59:53Z)
• 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)
• Advanced Efficient Strategy for Detection of Dark Objects Based on Spiking Network with Multi-Box Detection [2.9659663708260777]
  本研究は,エネルギー効率および信頼性の高い物体検出器モデルとして,スパイク層と通常の畳み込み層の組み合わせを提案する。 最先端のPythonライブラリでは、スパイク層を効率的にトレーニングすることができる。 提案したスパイク畳み込みオブジェクト検出器 (SCOD) はVOCおよびEx-Darkデータセット上で評価されている。
  論文  参考訳（メタデータ） (2023-10-10T07:20:37Z)
• Towards Real-World Prohibited Item Detection: A Large-Scale X-ray Benchmark [53.9819155669618]
  本稿では,PIDrayと命名された大規模データセットについて述べる。 大量の努力を払って、私たちのデータセットには、高品質な注釈付きセグメンテーションマスクとバウンディングボックスを備えた47,677ドルのX線画像に、禁止アイテムの12ドルカテゴリが含まれています。 提案手法は最先端の手法に対して,特に故意に隠された項目を検出するために好適に機能する。
  論文  参考訳（メタデータ） (2021-08-16T11:14:16Z)

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。