Fugu-MT 論文翻訳(概要): A Novel Dual-pooling Attention Module for UAV Vehicle Re-identification

論文の概要: A Novel Dual-pooling Attention Module for UAV Vehicle Re-identification

arxiv url: http://arxiv.org/abs/2306.14104v1
Date: Sun, 25 Jun 2023 02:46:12 GMT
ステータス: 翻訳完了
システム内更新日: 2023-06-27 16:51:49.708065
Title: A Novel Dual-pooling Attention Module for UAV Vehicle Re-identification
Title（参考訳）: UAV車両再識別のための新しいデュアルプール注意モジュール
Authors: Xiaoyan Guo, Jie Yang, Xinyu Jia, Chuanyan Zang, Yan Xu, Zhaoyang Chen
Abstract要約: 車両再識別(Re-ID)は、車両の画像から他のカメラが捉えたのと同じ車両を識別する。 UAVの高度が高いため、車両画像の撮影角度は時々垂直に近似し、Re-IDの局所的な特徴は少ない。本稿では,車両の局所的な重要な情報の抽出と強化を実現する,新しいデュアルプールアテンション(DpA)モジュールを提案する。
参考スコア（独自算出の注目度）: 7.9782462757515455
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vehicle re-identification (Re-ID) involves identifying the same vehicle captured by other cameras, given a vehicle image. It plays a crucial role in the development of safe cities and smart cities. With the rapid growth and implementation of unmanned aerial vehicles (UAVs) technology, vehicle Re-ID in UAV aerial photography scenes has garnered significant attention from researchers. However, due to the high altitude of UAVs, the shooting angle of vehicle images sometimes approximates vertical, resulting in fewer local features for Re-ID. Therefore, this paper proposes a novel dual-pooling attention (DpA) module, which achieves the extraction and enhancement of locally important information about vehicles from both channel and spatial dimensions by constructing two branches of channel-pooling attention (CpA) and spatial-pooling attention (SpA), and employing multiple pooling operations to enhance the attention to fine-grained information of vehicles. Specifically, the CpA module operates between the channels of the feature map and splices features by combining four pooling operations so that vehicle regions containing discriminative information are given greater attention. The SpA module uses the same pooling operations strategy to identify discriminative representations and merge vehicle features in image regions in a weighted manner. The feature information of both dimensions is finally fused and trained jointly using label smoothing cross-entropy loss and hard mining triplet loss, thus solving the problem of missing detail information due to the high height of UAV shots. The proposed method's effectiveness is demonstrated through extensive experiments on the UAV-based vehicle datasets VeRi-UAV and VRU.
Abstract（参考訳）: 車両再識別 (re-id) は、他のカメラが撮影したものと同じ車両を識別する。安全な都市やスマートシティの発展において重要な役割を担っている。無人航空機(UAV)技術の急速な成長と実装により、UAV空撮シーンにおける車両のRe-IDは、研究者から大きな注目を集めている。しかし、UAVの高度が高いため、車両画像の撮影角度は時々垂直に近似し、Re-IDの局所的な特徴は少ない。そこで本稿では,cpa (channel-pooling attention) とspa ( spatial-pooling attention) の2つの分枝を構築し,複数のプーリング操作を用いて車両の細粒度情報への注目度を高めることにより,両チャネルおよび空間次元から車両の局所的重要な情報を抽出・強化する,新しいdpaモジュールを提案する。具体的には、CpAモジュールは、4つのプール操作を組み合わせて特徴マップのチャネル間で動作し、識別情報を含む車両領域がより注目されるようにする。 SpAモジュールは同じプール操作戦略を使用して、画像領域における識別表現とマージ車両の特徴を重み付けで識別する。両次元の特徴情報が最後に融合され、ラベル平滑化クロスエントロピー損失とハードマイニング三重項損失を用いて訓練され、uavショットの高さによる詳細情報の欠落が解決される。提案手法の有効性は,VeRi-UAVとVRUをベースとした車両データセットの広範な実験により実証された。

関連論文リスト

Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)
SA-NET.v2: Real-time vehicle detection from oblique UAV images with use of uncertainty estimation in deep meta-learning [0.0]
本稿では,小さなトレーニングデータセットと深層メタラーニングに基づく斜めUAV画像に対するリアルタイム車両検出の問題点について考察する。 SA-Net.v2は、SA-CNNをベースとしたリアルタイム車両検出手法である。実験の結果、SA-Net.v2は時系列の斜めUAV画像で有望な性能を達成した。
論文参考訳（メタデータ） (2022-08-04T09:08:47Z)
Discriminative-Region Attention and Orthogonal-View Generation Model for Vehicle Re-Identification [7.5366501970852955]
複数の課題は、視覚に基づく車両のRe-ID手法の適用を妨げる。提案したDRAモデルでは,識別領域の特徴を自動的に抽出し,類似した車両を識別することができる。また、OVGモデルでは、入力ビュー機能に基づいてマルチビュー機能を生成し、視点ミスマッチの影響を低減することができる。
論文参考訳（メタデータ） (2022-04-28T07:46:03Z)
Self-aligned Spatial Feature Extraction Network for UAV Vehicle Re-identification [3.449626476434765]
同じ色とタイプを持つ車両は、UAVの観点から非常に類似した外観を示している。最近の研究は、地域的特徴と構成要素的特徴によって区別される情報を抽出する傾向がある。効率的なきめ細かい特徴を抽出し、退屈な注釈付け作業を避けるために、この手紙は教師なしの自己整合ネットワークを開発する。
論文参考訳（メタデータ） (2022-01-08T14:25:54Z)
UAV-ReID: A Benchmark on Unmanned Aerial Vehicle Re-identification [21.48667873335246]
近年のディープラーニング開発により、視覚ベースの対UAVシステムは単一のカメラでUAVを検出し、追跡することができる。単一のカメラのカバー範囲は限られており、カメラ間のUAVにマッチするマルチカメラ構成が必要である。我々は,この新興地域での機械学習ソリューションの開発を容易にする,UAV-reIDという新しいUAV再識別データセットを提案する。
論文参考訳（メタデータ） (2021-04-13T14:13:09Z)
Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文参考訳（メタデータ） (2020-12-15T03:03:38Z)
Discriminative Feature Representation with Spatio-temporal Cues for Vehicle Re-identification [0.0]
車両識別(re-ID)は、様々なカメラが様々な道路網で撮影したギャラリー画像から対象車両を発見し、マッチングすることを目的としている。車両用リIDのための新しい手がかり(DFR-ST)を用いた特徴表現を提案する。外観や時間的情報を含むことで、埋め込み空間で堅牢な特徴を構築することができる。
論文参考訳（メタデータ） (2020-11-13T10:50:21Z)
Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文参考訳（メタデータ） (2020-09-16T11:37:43Z)
The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
論文参考訳（メタデータ） (2020-04-14T02:24:47Z)
Parsing-based View-aware Embedding Network for Vehicle Re-Identification [138.11983486734576]
本稿では,車載ReIDのビューアウェア機能アライメントと拡張を実現するために,解析に基づくPVEN(View-Aware Embedding Network)を提案する。 3つのデータセットで行った実験により、我々のモデルは最先端の手法よりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2020-04-10T13:06:09Z)
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。