論文の概要: A Study on Tiny YOLO for Resource Constrained Xray Threat Detection

• arxiv url: http://arxiv.org/abs/2309.15601v1
• Date: Wed, 27 Sep 2023 12:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-28 13:53:27.276301
• Title: A Study on Tiny YOLO for Resource Constrained Xray Threat Detection
• Title（参考訳）: 資源拘束型X線脅威検出のためのTiny YOLOの検討
• Authors: Raghav Ambati, Ayon Borthakur
• Abstract要約: 本稿では,X線セキュリティ画像データからThreat Objectsを検出するために,エッジデバイスに適した複数のネットを実装し,解析する。 我々は,小型のYOLOv7モデルにおいて,スパイキング活性化関数の活性化にともなって,期待される変換誤差がゼロとなるように計算した代替活性化関数を利用する。
• 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: This paper implements and analyses multiple nets to determine their suitability for edge devices to solve the problem of detecting Threat Objects from X-ray security imaging data. There has been ongoing research on applying Deep Learning techniques to solve this problem automatedly. We utilize an alternative activation function calculated to have zero expected conversion error with the activation of a spiking activation function, in the our tiny YOLOv7 model. This QCFS version of the tiny YOLO replicates the activation of ultra-low latency and high-efficiency SNN architecture and achieves state-of-the-art performance on CLCXray which is another open-source XRay Threat Detection dataset, hence making improvements in the field of using spiking for object detection. We also analyze the performance of a Spiking YOLO network by converting our QCFS network into a Spiking Network.
• Abstract（参考訳）: 本稿では,X線セキュリティ画像データからThreat Objectsを検出するために,エッジデバイスに適した複数のネットを実装し,解析する。 ディープラーニング技術を適用してこの問題を自動解決する研究が進行中である。 我々は,小型のYOLOv7モデルにおいて,スパイキング活性化関数のアクティベーションで期待される変換誤差をゼロにする代替活性化関数を利用する。 この小型YOLOのQCFSバージョンは、超低レイテンシと高効率SNNアーキテクチャの活性化を再現し、もう1つのオープンソースのXRay Threat検出データセットであるCLCXrayの最先端性能を達成する。 また、QCFSネットワークをスパイキングネットワークに変換することにより、スパイキングYOLOネットワークの性能も解析する。

関連論文リスト

• Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
  Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。 そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
  論文  参考訳（メタデータ） (2024-10-30T10:33:10Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images [0.0]
  本稿では, YOLOv9アルゴリズムモデルをコンピュータ支援診断(CAD)として骨折検出タスクに適用した最初の例である。 実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。
  論文  参考訳（メタデータ） (2024-03-17T15:47:54Z)
• $\textit{A Contrario}$ Paradigm for YOLO-based Infrared Small Target Detection [0.9374652839580183]
  YOLO検出器のトレーニングに$textita contrario$ decision criterionを導入する。 後者は、textitunexpectedness$の小さなターゲットを利用して、それらを複雑な背景から識別する。
  論文  参考訳（メタデータ） (2024-02-03T23:02:02Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
  チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。 脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。 提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-07-31T05:38:17Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
  The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。 本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
  論文  参考訳（メタデータ） (2020-03-21T07:13:40Z)

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。