論文の概要: SAM-DA: UAV Tracks Anything at Night with SAM-Powered Domain Adaptation
- arxiv url: http://arxiv.org/abs/2307.01024v1
- Date: Mon, 3 Jul 2023 13:55:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 12:48:52.030664
- Title: SAM-DA: UAV Tracks Anything at Night with SAM-Powered Domain Adaptation
- Title(参考訳): SAM-DA: SAM-Powered Domain Adaptationで夜のあらゆるものを追跡するUAV
- Authors: Liangliang Yao, Haobo Zuo, Guangze Zheng, Changhong Fu, Jia Pan
- Abstract要約: ドメイン適応(DA)は、リアルタイム夜間無人航空機(UAV)の追跡に重要な可能性を証明している。
最先端(SOTA)DAは、高品質なターゲットドメイントレーニングサンプルを生成するために、正確なピクセルレベルの位置と境界を持つ潜在的なオブジェクトをいまだに欠いている。
本研究は,リアルタイム夜間UAV追跡のためのSAM-DAフレームワークであるSAM-DAを提案する。
- 参考スコア(独自算出の注目度): 18.71205705854443
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation (DA) has demonstrated significant promise for real-time
nighttime unmanned aerial vehicle (UAV) tracking. However, the state-of-the-art
(SOTA) DA still lacks the potential object with accurate pixel-level location
and boundary to generate the high-quality target domain training sample. This
key issue constrains the transfer learning of the real-time daytime SOTA
trackers for challenging nighttime UAV tracking. Recently, the notable Segment
Anything Model (SAM) has achieved remarkable zero-shot generalization ability
to discover abundant potential objects due to its huge data-driven training
approach. To solve the aforementioned issue, this work proposes a novel
SAM-powered DA framework for real-time nighttime UAV tracking, i.e., SAM-DA.
Specifically, an innovative SAM-powered target domain training sample swelling
is designed to determine enormous high-quality target domain training samples
from every single raw nighttime image. This novel one-to-many method
significantly expands the high-quality target domain training sample for DA.
Comprehensive experiments on extensive nighttime UAV videos prove the
robustness and domain adaptability of SAM-DA for nighttime UAV tracking.
Especially, compared to the SOTA DA, SAM-DA can achieve better performance with
fewer raw nighttime images, i.e., the fewer-better training. This economized
training approach facilitates the quick validation and deployment of algorithms
for UAVs. The code is available at https://github.com/vision4robotics/SAM-DA.
- Abstract(参考訳): ドメイン適応(DA)は、リアルタイム夜間無人航空機(UAV)の追跡に大いに期待されている。
しかし、最先端(sota)daは、高品質なターゲットドメイントレーニングサンプルを生成するために正確なピクセルレベルの位置と境界を持つ潜在的なオブジェクトを欠いている。
この鍵となる課題は、夜間のUAV追跡に挑戦するために、リアルタイムのSOTAトラッカーの転送学習を制限することである。
最近、SAM(Segment Anything Model)は、巨大なデータ駆動トレーニングアプローチにより、豊富な潜在的なオブジェクトを発見するために、目覚ましいゼロショットの一般化能力を達成した。
上記の課題を解決するために,実時間夜間UAV追跡のためのSAM-DAフレームワーク,すなわちSAM-DAを提案する。
具体的には、SAMを用いたターゲットドメイントレーニングサンプル膨らみを改良し、各生の夜間画像から高品質なターゲットドメイントレーニングサンプルを抽出する。
この手法はDAのための高品質な目標ドメイントレーニングサンプルを大幅に拡張する。
大規模な夜間UAVビデオに関する総合実験は、夜間UAV追跡のためのSAM-DAの堅牢性とドメイン適応性を証明する。
特に sota da と比較して、sam-da は生の夜間画像の少ない、すなわち少ない訓練でより良い性能を達成することができる。
このエコノマイズドトレーニングアプローチは、UAVのためのアルゴリズムの迅速な検証とデプロイを容易にする。
コードはhttps://github.com/vision4robotics/SAM-DAで公開されている。
関連論文リスト
- Tiny Multi-Agent DRL for Twins Migration in UAV Metaverses: A Multi-Leader Multi-Follower Stackelberg Game Approach [57.15309977293297]
無人航空機(UAV)とメタバースの相乗効果は、UAVメタバースと呼ばれる新しいパラダイムを生み出している。
本稿では,UAVメタバースにおける効率的なUTマイグレーションのためのプルーニング技術に基づく,機械学習に基づく小さなゲームフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-18T02:14:13Z) - TinySAM: Pushing the Envelope for Efficient Segment Anything Model [76.21007576954035]
我々は,強力なゼロショット性能を維持しつつ,小さなセグメントの任意のモデル(TinySAM)を得るためのフレームワークを提案する。
本研究は,まず,軽量学生モデルを蒸留するためのハードプロンプトサンプリングとハードマスク重み付け戦略を用いた,フルステージの知識蒸留法を提案する。
また、学習後の量子化を高速化可能なセグメンテーションタスクに適用し、計算コストをさらに削減する。
論文 参考訳(メタデータ) (2023-12-21T12:26:11Z) - Mutual-Learning Knowledge Distillation for Nighttime UAV Tracking [10.170363860678663]
夜間無人航空機(UAV)の追跡は、必要不可欠なプラグアンドプレイの低照度エンハンサーによって促進されている。
本研究は,夜間UAV追跡のための新たな相互学習知識蒸留フレームワークであるMLKDを提案する。
論文 参考訳(メタデータ) (2023-12-13T04:06:18Z) - Evidential Detection and Tracking Collaboration: New Problem, Benchmark
and Algorithm for Robust Anti-UAV System [56.51247807483176]
無人航空機(UAV)は輸送、監視、軍事など多くの地域で広く使われている。
従来は、UAVの先行情報が常に提供されていた追跡問題として、このようなアンチUAVタスクを単純化していた。
本稿では,従来のUAV情報を含まない複雑な場面において,UAVの認識を特徴とする新しい実用的対UAV問題を初めて定式化する。
論文 参考訳(メタデータ) (2023-06-27T19:30:23Z) - UAV Obstacle Avoidance by Human-in-the-Loop Reinforcement in Arbitrary
3D Environment [17.531224704021273]
本稿では, 深部強化学習に基づく無人航空機(UAV)の連続制御に着目した。
本稿では,UAVが飛行中の障害物を自動的に回避できる深層強化学習(DRL)法を提案する。
論文 参考訳(メタデータ) (2023-04-07T01:44:05Z) - Vision-Based UAV Self-Positioning in Low-Altitude Urban Environments [20.69412701553767]
無人航空機(UAV)は安定した位置決めのために衛星システムに依存している。
このような状況下では、視覚に基づく技術が代替手段として機能し、UAVの自己配置能力を確実にする。
本稿では,UAV自己配置タスク用に設計された最初の公開データセットであるDenseUAVを提案する。
論文 参考訳(メタデータ) (2022-01-23T07:18:55Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳(メタデータ) (2021-07-19T12:54:04Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳(メタデータ) (2021-06-06T14:08:41Z) - Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。
我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。
300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
論文 参考訳(メタデータ) (2021-01-21T07:00:15Z)
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。