論文の概要: Personal Protective Equipment Detection in Extreme Construction Conditions

• arxiv url: http://arxiv.org/abs/2307.13654v1
• Date: Tue, 25 Jul 2023 17:01:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 16:08:16.320537
• Title: Personal Protective Equipment Detection in Extreme Construction Conditions
• Title（参考訳）: 極端施工条件下での個人保護装置検出
• Authors: Yuexiong Ding and Xiaowei Luo
• Abstract要約: オブジェクト検出は、建設安全管理、特にパーソナル防護装置(PPE)検出に広く応用されている。 従来のデータセットでトレーニングされた既存のPPE検出モデルは優れた結果を得たが、極端な建設条件下では性能が劇的に低下した。 本研究は, 極端施工条件に対するより堅牢な検出モデルを得るための, 新たな実現可能な方法を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection has been widely applied for construction safety management, especially personal protective equipment (PPE) detection. Though the existing PPE detection models trained on conventional datasets have achieved excellent results, their performance dramatically declines in extreme construction conditions. A robust detection model NST-YOLOv5 is developed by combining the neural style transfer (NST) and YOLOv5 technologies. Five extreme conditions are considered and simulated via the NST module to endow the detection model with excellent robustness, including low light, intense light, sand dust, fog, and rain. Experiments show that the NST has great potential as a tool for extreme data synthesis since it is better at simulating extreme conditions than other traditional image processing algorithms and helps the NST-YOLOv5 achieve 0.141 and 0.083 mAP_(05:95) improvements in synthesized and real-world extreme data. This study provides a new feasible way to obtain a more robust detection model for extreme construction conditions.
• Abstract（参考訳）: オブジェクト検出は、建設安全管理、特にパーソナル防護装置(PPE)検出に広く応用されている。 従来のデータセットでトレーニングされた既存のPPE検出モデルは優れた結果を得たが、極端な建設条件下では性能が劇的に低下した。 ニューラルネットワーク転送(NST)とYOLOv5技術を組み合わせて,ロバスト検出モデルNST-YOLOv5を開発した。 nstモジュールを使って5つの極端な条件を考慮し、低光度、強烈な光、砂塵、霧、雨など、検出モデルに優れた堅牢性を与えるようにシミュレートする。 実験により、NSTは従来の画像処理アルゴリズムよりも極端な条件をシミュレートし、NST-YOLOv5が合成および現実世界の極端なデータにおいて0.141と0.083mAP_(05:95)の改善を達成できるため、極端なデータ合成のツールとして大きな可能性を示唆している。 本研究は, 極端施工条件に対するより堅牢な検出モデルを得るための, 新たな実現可能な方法を提供する。

関連論文リスト

• Generative AI-based Pipeline Architecture for Increasing Training Efficiency in Intelligent Weed Control Systems [0.0]
  本研究は,知的雑草制御のための深層学習に基づく物体検出モデルを改善するために,合成画像を生成する新しいアプローチを提案する。 我々のGenAIベースの画像生成パイプラインは、ゼロショットドメイン適応のためのSegment Anything Model(SAM)と、テキストから画像への安定拡散モデルを統合する。 我々は、これらの合成データセットを軽量YOLOモデルを用いて評価し、mAP50とmAP50-95スコアを用いてデータ効率を測定した。
  論文  参考訳（メタデータ） (2024-11-01T12:58:27Z)
• Can OOD Object Detectors Learn from Foundation Models? [56.03404530594071]
  アウト・オブ・ディストリビューション(OOD)オブジェクト検出は、オープンセットのOODデータがないため、難しい課題である。 テキストから画像への生成モデルの最近の進歩に触発されて,大規模オープンセットデータを用いて訓練された生成モデルがOODサンプルを合成する可能性について検討した。 SyncOODは,大規模基盤モデルの能力を活用するシンプルなデータキュレーション手法である。
  論文  参考訳（メタデータ） (2024-09-08T17:28:22Z)
• SDNIA-YOLO: A Robust Object Detection Model for Extreme Weather Conditions [1.4579344926652846]
  本研究では,スタイリゼーションデータ駆動型ニューラルイメージ適応型YOLO(SDNIA-YOLO)を提案する。 開発されたSDNIA-YOLOは、現実世界の霧(RTTS)と低照度(ExDark)テストセットで、少なくとも15%のmAP@.5が大幅に改善された。 実験はまた、極度の気象条件をシミュレートするスタイリングデータの顕著な可能性を強調した。
  論文  参考訳（メタデータ） (2024-06-18T08:36:44Z)
• Challenges of YOLO Series for Object Detection in Extremely Heavy Rain: CALRA Simulator based Synthetic Evaluation Dataset [0.0]
  様々なセンサー(LiDAR、レーダー、カメラなど)による物体検出は、自動運転車に優先されるべきである。 これらのセンサーは、多様な気象条件下で物体を正確に素早く検出する必要があるが、雨や雪、霧といった悪天候条件下で物体を一貫して検出することは困難である。 本研究では,降水条件から得られた雨滴データに基づいて,様々な降水条件下で多様なネットワークモデルをテストすることのできる新しいデータセットを構築した。
  論文  参考訳（メタデータ） (2023-12-13T08:45:57Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。 我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• Enhancing object detection robustness: A synthetic and natural perturbation approach [2.5337932872891202]
  実世界の分散シフトに対するロバスト性は、実用アプリケーションにおけるオブジェクト検出モデルの展開の成功に不可欠である。 我々はCOCO 2017データセットとExDarkデータセットを用いて、最先端の4つのディープニューラルネットワークモデル、Detr-ResNet-101、Detr-ResNet-50、YOLOv4、YOLOv4-tinyを分析した。 本研究は, 物体検出モデルの性能に及ぼす合成摂動の影響を定量的に評価する。
  論文  参考訳（メタデータ） (2023-04-20T19:55:51Z)
• Dynamic weights enabled Physics-Informed Neural Network for simulating the mobility of Engineered Nano-particles in a contaminated aquifer [0.0]
  工業用ナノ粒子 (ENPs) は, 地下水汚染物質のその場分解に有効な反応剤として出現している。 ENPの複雑な輸送と保持機構は、効率的な修復戦略の開発を妨げる。 この研究は、動的で重量対応の物理インフォームドニューラルネットワーク(dw-PINN)フレームワークを使用して、帯水層内のナノ粒子の挙動をモデル化する。
  論文  参考訳（メタデータ） (2022-10-25T07:55:20Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)

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。