論文の概要: UAVs and Neural Networks for search and rescue missions
- arxiv url: http://arxiv.org/abs/2310.05512v1
- Date: Mon, 9 Oct 2023 08:27:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 06:49:08.708853
- Title: UAVs and Neural Networks for search and rescue missions
- Title(参考訳): 捜索・救助任務のためのUAVとニューラルネットワーク
- Authors: Hartmut Surmann and Artur Leinweber and Gerhard Senkowski and Julien
Meine and Dominik Slomma
- Abstract要約: 無人航空機(UAV)が捉えた空中画像において,車,人,火などの興味の対象を検出する方法を提案する。
これを実現するために,ニューラルネットワークを用いて教師あり学習のためのデータセットを作成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present a method for detecting objects of interest,
including cars, humans, and fire, in aerial images captured by unmanned aerial
vehicles (UAVs) usually during vegetation fires. To achieve this, we use
artificial neural networks and create a dataset for supervised learning. We
accomplish the assisted labeling of the dataset through the implementation of
an object detection pipeline that combines classic image processing techniques
with pretrained neural networks. In addition, we develop a data augmentation
pipeline to augment the dataset with automatically labeled images. Finally, we
evaluate the performance of different neural networks.
- Abstract(参考訳): 本稿では,通常,植生火災時に無人航空機(uav)が撮影した空中画像から,車,人間,火災などの関心対象を検出する手法を提案する。
これを実現するために,ニューラルネットワークを用いて教師あり学習のためのデータセットを作成する。
従来の画像処理技術と事前学習ニューラルネットワークを組み合わせたオブジェクト検出パイプラインの実装により,データセットのラベル付けを支援する。
さらに,自動ラベル付き画像でデータセットを補完するデータ拡張パイプラインを開発した。
最後に、異なるニューラルネットワークの性能を評価する。
関連論文リスト
- Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳(メタデータ) (2022-11-02T11:10:42Z) - An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。
RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。
RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
論文 参考訳(メタデータ) (2022-04-06T13:38:11Z) - Graph-based Active Learning for Semi-supervised Classification of SAR
Data [8.92985438874948]
本稿では,グラフベース学習法とニューラルネットワーク法を組み合わせた合成開口レーダ(SAR)データの分類手法を提案する。
CNNVAEの機能埋め込みとグラフ構築はラベル付きデータを必要としないため、オーバーフィッティングが軽減される。
この方法は、データラベリングプロセスにおいて、アクティブラーニングのためのヒューマン・イン・ザ・ループを容易に組み込む。
論文 参考訳(メタデータ) (2022-03-31T00:14:06Z) - Toward Data-Driven STAP Radar [23.333816677794115]
我々は、時空間適応処理(STAP)レーダーに対するデータ駆動アプローチを特徴付ける。
所定領域に可変強度のターゲットをランダムに配置することにより、受信レーダ信号の豊富なサンプルデータセットを生成する。
この領域内の各データサンプルに対して、ビームフォーマの出力パワーのレンジ、方位、および上昇のヒートマップテンソルを生成する。
空中に浮かぶシナリオでは、動くレーダーは、ビデオに似た、これらのタイムインデクシングされたイメージスタックのシーケンスを生成する。
論文 参考訳(メタデータ) (2022-01-26T02:28:13Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。
ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。
提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-02T07:50:50Z) - Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳(メタデータ) (2021-03-04T06:31:06Z) - Improving Object Detection in Art Images Using Only Style Transfer [5.156484100374058]
アートイメージにおけるオブジェクト(特に人)のローカライズのためのニューラルネットワークのトレーニングプロセスを提案し,評価する。
AdaInスタイルの転送を使用してCOCOデータセットの画像を変更し、トレーニングと検証のための大規模なデータセットを生成します。
その結果、最先端の技術が大幅に改善され、ニューラルネットワークをトレーニングしてアート画像を処理するデータセットを作成するための新しい方法が前進しました。
論文 参考訳(メタデータ) (2021-02-12T13:48:46Z) - UAV-AdNet: Unsupervised Anomaly Detection using Deep Neural Networks for
Aerial Surveillance [20.318367304051176]
本稿では,重要なインフラの監視のために,ディープニューラルネットワークを用いた全体的異常検出システムを提案する。
まず,鳥視画像中の物体の空間配置を明示的に表現する手法を提案する。
次に、教師なし異常検出(UAV-AdNet)のためのディープニューラルネットワークアーキテクチャを提案する。
文献研究とは異なり、GPSと画像データを組み合わせて異常な観察を予測する。
論文 参考訳(メタデータ) (2020-11-05T14:26:29Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-15T23:57:36Z) - RDAnet: A Deep Learning Based Approach for Synthetic Aperture Radar
Image Formation [0.0]
我々は、画像形成と画像処理の両方を行うディープニューラルネットワークを訓練し、SAR処理パイプラインを統合する。
その結果,従来のアルゴリズムと同等の画質のSAR画像を精度良く出力できることが示唆された。
論文 参考訳(メタデータ) (2020-01-22T18:44:40Z)
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。