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
- SH17: A Dataset for Human Safety and Personal Protective Equipment Detection in Manufacturing Industry [2.007345596217044]
本研究では,多様な産業環境から収集した17クラスの75,994個のインスタンスを含む8,099個の注釈付き画像からなるSH17データセットを提案する。
ベンチマークのために最先端のODモデルをトレーニングし、最初の結果は、You Only Look Once (YOLO)v9-eモデル変種がPPE検出の70.9%を超える有望な精度を示した。
論文 参考訳(メタデータ) (2024-07-05T15:40:11Z) - A Deep Learning Approach to Detect Complete Safety Equipment For Construction Workers Based On YOLOv7 [0.0]
本研究では,建設作業員が着用する安全装置を同定する深層学習技術を提案する。
推奨されるアプローチは、YOLO v7オブジェクト検出アルゴリズムを使用して、これらの安全アイテムを正確に検出する。
トレーニングされたモデルでは,安全機器認識のための精度,リコール,F1スコアが良好に動作した。
論文 参考訳(メタデータ) (2024-06-11T20:38:41Z) - Global Safe Sequential Learning via Efficient Knowledge Transfer [21.817220232038157]
多くの医学や工学の応用において、データの選択は事前の未知の安全条件によって制約される。
安全性の学習を促進するために,安全なシーケンシャル学習を提案する。
論文 参考訳(メタデータ) (2024-02-22T09:43:25Z) - Insights from the Field: A Comprehensive Analysis of Industrial Accidents in Plants and Strategies for Enhanced Workplace Safety [0.0]
この研究は、カグル[1]に記録された425件の産業事故に発展し、これらは全て南アメリカの12の工場で発生した。
事故発生に関する貴重な知見を明らかにし、再発傾向を特定し、根本原因を明らかにすることを目的としている。
論文 参考訳(メタデータ) (2024-02-02T22:30:18Z) - The Art of Defending: A Systematic Evaluation and Analysis of LLM
Defense Strategies on Safety and Over-Defensiveness [56.174255970895466]
大規模言語モデル(LLM)は、自然言語処理アプリケーションにおいて、ますます重要な役割を担っている。
本稿では,SODE(Safety and Over-Defensiveness Evaluation)ベンチマークを提案する。
論文 参考訳(メタデータ) (2023-12-30T17:37:06Z) - The Last Decade in Review: Tracing the Evolution of Safety Assurance
Cases through a Comprehensive Bibliometric Analysis [7.431812376079826]
安全保証は、自動車、航空宇宙、原子力など、様々な分野において最重要事項である。
安全保証ケースを使用することで、生成されたシステム機能の正しさを検証することができ、システム障害を防止することができる。
論文 参考訳(メタデータ) (2023-11-13T17:34:23Z) - Approximate Shielding of Atari Agents for Safe Exploration [83.55437924143615]
遮蔽の概念に基づく安全な探索のための原理的アルゴリズムを提案する。
本稿では,我々の近似遮蔽アルゴリズムが安全違反率を効果的に低減することを示す予備的な結果を示す。
論文 参考訳(メタデータ) (2023-04-21T16:19:54Z) - Towards Safer Generative Language Models: A Survey on Safety Risks,
Evaluations, and Improvements [76.80453043969209]
本調査では,大規模モデルに関する安全研究の枠組みについて述べる。
まず、広範囲にわたる安全問題を導入し、その後、大型モデルの安全性評価手法を掘り下げる。
トレーニングからデプロイメントまで,大規模なモデルの安全性を高めるための戦略について検討する。
論文 参考訳(メタデータ) (2023-02-18T09:32:55Z) - Evaluating Model-free Reinforcement Learning toward Safety-critical
Tasks [70.76757529955577]
本稿では、国家安全RLの観点から、この領域における先行研究を再考する。
安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。
この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
論文 参考訳(メタデータ) (2022-12-12T06:30:17Z) - Visual Detection of Personal Protective Equipment and Safety Gear on
Industry Workers [49.36909714011171]
我々は、PPE(Personal Protective Equipment)の使用を検知するカメラを用いて、労働者の安全を向上するシステムを開発した。
我々の焦点は、制限区域へのアクセスを得るために労働者が自らを提示しなければならないエントリーコントロールポイントに我々のシステムを実装することである。
この研究の新たな特徴は、クラス数を5つの対象(ヘルメット、安全ベスト、安全手袋、安全眼鏡、聴覚保護)に増やすことである。
論文 参考訳(メタデータ) (2022-12-09T11:50:03Z)
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。