論文の概要: CA-CentripetalNet: A novel anchor-free deep learning framework for hardhat wearing detection

• arxiv url: http://arxiv.org/abs/2307.04103v1
• Date: Sun, 9 Jul 2023 05:40:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 15:18:54.667887
• Title: CA-CentripetalNet: A novel anchor-free deep learning framework for hardhat wearing detection
• Title（参考訳）: CA-CentripetalNet: ハードハット着用検出のための新しいアンカーフリーディープラーニングフレームワーク
• Authors: Zhijian Liu, Nian Cai, Wensheng Ouyang, Chengbin Zhang, Nili Tian, Han Wang
• Abstract要約: CA-CentripetalNetと呼ばれる新しいアンカーフリー深層学習フレームワークが,検出のために提案されている。 CA-CentripetalNetの特徴抽出と利用性を改善するために,2つの新しい手法が提案されている。 実験の結果、CA-CentripetalNetは86.63%のmAPで性能が向上した。
• 参考スコア（独自算出の注目度）: 14.018642742642852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic hardhat wearing detection can strengthen the safety management in construction sites, which is still challenging due to complicated video surveillance scenes. To deal with the poor generalization of previous deep learning based methods, a novel anchor-free deep learning framework called CA-CentripetalNet is proposed for hardhat wearing detection. Two novel schemes are proposed to improve the feature extraction and utilization ability of CA-CentripetalNet, which are vertical-horizontal corner pooling and bounding constrained center attention. The former is designed to realize the comprehensive utilization of marginal features and internal features. The latter is designed to enforce the backbone to pay attention to internal features, which is only used during the training rather than during the detection. Experimental results indicate that the CA-CentripetalNet achieves better performance with the 86.63% mAP (mean Average Precision) with less memory consumption at a reasonable speed than the existing deep learning based methods, especially in case of small-scale hardhats and non-worn-hardhats.
• Abstract（参考訳）: 検出用ヘルメットの自動着用は、複雑なビデオ監視シーンのため、建設現場の安全管理を強化することができる。 従来の深層学習手法の一般化に対処するために,CA-CentripetalNetと呼ばれる新しいアンカーフリー深層学習フレームワークが提案されている。 垂直水平コーナープール型ca-centripetalnetの特性抽出と利用能力の向上を目的として, 2つの新しい手法を提案した。 前者は限界特徴と内部特徴の包括的利用を実現するように設計されている。 後者は、バックボーンが内部機能に注意を払わなければならないように設計されており、これは検出中ではなくトレーニング中にのみ使用される。 実験結果から,CA-CentripetalNet は 86.63% mAP (平均平均精度) で,既存のディープラーニングベースの手法,特に小型のハードハットや非ウーンハードハットと比較して,メモリ消費を適度に削減した。

関連論文リスト

• CLRKDNet: Speeding up Lane Detection with Knowledge Distillation [4.015241891536452]
  本稿では,検出精度とリアルタイム性能のバランスをとる合理化モデルであるCLRKDNetを紹介する。 提案手法はCLRNetに匹敵する検出精度を維持しつつ,推論時間を最大60%削減する。
  論文  参考訳（メタデータ） (2024-05-21T05:20:04Z)
• LAA-Net: Localized Artifact Attention Network for Quality-Agnostic and Generalizable Deepfake Detection [12.567069964305265]
  本稿では,LAA-Net(Localized Artifact Attention Network)と呼ばれる高品質なディープフェイク検出手法を提案する。 高品質なディープフェイク検出のための既存の方法は、主に暗黙の注意機構を備えた教師付きバイナリ分類器に基づいている。 いくつかのベンチマークで行った実験は、AUC(Area Under the Curve)とAP(Average Precision)の観点から、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-24T23:42:08Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• A Hybrid Deep Learning Anomaly Detection Framework for Intrusion Detection [4.718295605140562]
  本稿では,3段階のディープラーニング異常検出に基づくネットワーク侵入攻撃検出フレームワークを提案する。 このフレームワークは、教師なし(K平均クラスタリング)、半教師付き(GANomaly)、および教師付き学習(CNN)アルゴリズムの統合を含む。 そして、3つのベンチマークデータセット上で実装したフレームワークの性能を評価した。
  論文  参考訳（メタデータ） (2022-12-02T04:40:54Z)
• Detecting Irregular Network Activity with Adversarial Learning and Expert Feedback [14.188603782159372]
  CAADは、無線ネットワークにおける正常な動作と異常な動作の効果的な表現を学習するために、対向的な設定で対照的な学習を採用する。 我々はCAADの厳密な性能比較をいくつかの最先端異常検出技術と比較し、CAADが92.84%の平均性能改善をもたらすことを検証した。
  論文  参考訳（メタデータ） (2022-10-01T20:44:14Z)
• CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
  本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。 CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。 CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
  論文  参考訳（メタデータ） (2021-10-21T06:26:31Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。