論文の概要: A Flying Bird Object Detection Method for Surveillance Video

• arxiv url: http://arxiv.org/abs/2401.03749v3
• Date: Thu, 29 Aug 2024 08:52:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 19:28:43.941482
• Title: A Flying Bird Object Detection Method for Surveillance Video
• Title（参考訳）: サーベイランスビデオのための飛行鳥物体検出法
• Authors: Ziwei Sun, Zexi Hua, Hengchao Li, Yan Li,
• Abstract要約: 本稿では,FBOD-SV(Flying Bird Object Detection for Surveillance Video)を提案する。 FBOD-SVは、トラクション・サブステーション監視ビデオにおいて、飛行する鳥の物体の実験的データセットを用いて検証されている。 実験結果から,FBOD-SVは監視ビデオにおいて飛来する鳥の物体の検出性能を効果的に向上することが示された。
• 参考スコア（独自算出の注目度）: 9.597393200515377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aiming at the specific characteristics of flying bird objects in surveillance video, such as the typically non-obvious features in single-frame images, small size in most instances, and asymmetric shapes, this paper proposes a Flying Bird Object Detection method for Surveillance Video (FBOD-SV). Firstly, a new feature aggregation module, the Correlation Attention Feature Aggregation (Co-Attention-FA) module, is designed to aggregate the features of the flying bird object according to the bird object's correlation on multiple consecutive frames of images. Secondly, a Flying Bird Object Detection Network (FBOD-Net) with down-sampling followed by up-sampling is designed, which utilizes a large feature layer that fuses fine spatial information and large receptive field information to detect special multi-scale (mostly small-scale) bird objects. Finally, the SimOTA dynamic label allocation method is applied to One-Category object detection, and the SimOTA-OC dynamic label strategy is proposed to solve the difficult problem of label allocation caused by irregular flying bird objects. In this paper, the performance of the FBOD-SV is validated using experimental datasets of flying bird objects in traction substation surveillance videos. The experimental results show that the FBOD-SV effectively improves the detection performance of flying bird objects in surveillance video.
• Abstract（参考訳）: 本報告では, 監視映像における空飛ぶ鳥の物体の特異な特徴, 単一フレーム画像の特徴, ほとんどの場合の小型化, 非対称な形状などに着目し, 監視映像を対象としたFBOD-SV(Flying Bird Object Detection method for Surveillance Video)を提案する。 まず,複数の画像の連続的なフレーム上での鳥物体の相関に基づいて,飛来する鳥物体の特徴を集約するために,新たな特徴集約モジュールである相関注意特徴集合(Co-Attention-FA)モジュールを設計した。 次に,Flying Bird Object Detection Network (FBOD-Net) のダウンサンプリングとアップサンプリングを併用して設計した。 最後に,SimOTA動的ラベルアロケーション手法をワンカテゴリオブジェクト検出に適用し,不規則飛行鳥によるラベルアロケーションの難しさを解決するため,SimOTA動的ラベル戦略を提案する。 本稿では,FBOD-SVの性能を,トラクション・サブステーション監視ビデオにおけるフライング・バード・オブジェクトのデータセットを用いて検証した。 実験結果から,FBOD-SVは監視ビデオにおいて飛来する鳥の物体の検出性能を効果的に向上することが示された。

関連論文リスト

• Exploiting Unlabeled Data with Multiple Expert Teachers for Open Vocabulary Aerial Object Detection and Its Orientation Adaptation [58.37525311718006]
  OVAD(Open-vocabulary Aero Object Detection)という,航空物体検出問題の新しい定式化を行った。 本稿では,CLIP-activated students-Teacher DetectionフレームワークであるCastDetを提案する。 本フレームワークは,ロバストなローカライズ教師といくつかのボックス選択戦略を統合し,新しいオブジェクトの高品質な提案を生成する。
  論文  参考訳（メタデータ） (2024-11-04T12:59:13Z)
• FBD-SV-2024: Flying Bird Object Detection Dataset in Surveillance Video [11.776652825866648]
  このデータセットは483のビデオクリップで構成され、合計28,694フレームである。 そのうち23,833体は28,366羽の空飛ぶ鳥を含む。
  論文  参考訳（メタデータ） (2024-08-31T01:11:57Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [59.868772767818975]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、集約である。 様々なラベル付き環境下での多目的オブジェクトデータセットに対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
  本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。 具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。 さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
  論文  参考訳（メタデータ） (2024-05-18T12:22:26Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• EarlyBird: Early-Fusion for Multi-View Tracking in the Bird's Eye View [6.093524345727119]
  本研究では,バードアイビューの早期融合により,検出と追跡の両面で高い精度が得られることを示す。 EarlyBirdは最先端の手法より優れており、現在のWildtrackの状態を+4.6 MOTAと+5.6 IDF1で改善している。
  論文  参考訳（メタデータ） (2023-10-20T08:27:21Z)
• FOLT: Fast Multiple Object Tracking from UAV-captured Videos Based on Optical Flow [27.621524657473945]
  複数物体追跡(MOT)はコンピュータビジョンにおいてよく研究されている。 しかし、無人航空機(UAV)が撮影したビデオのMOTは、小さな物体の大きさ、ぼやけた物体の外観、そして非常に大きくて不規則な動きのために依然として困難である。 我々はこれらの問題を緩和し、UAVビューで高速かつ正確なMOTに到達するためにFOLTを提案する。
  論文  参考訳（メタデータ） (2023-08-14T15:24:44Z)
• Flying Bird Object Detection Algorithm in Surveillance Video Based on Motion Information [0.0]
  監視ビデオでは、オブジェクトのサイズは小さい(低信号対雑音比(SNR))。 物体追跡アルゴリズムは、不審な飛行する鳥の物体を追跡し、その運動距離(MR)を計算するために使用される 同時に、不審飛行鳥物体のMRの大きさを移動速度に応じて適応的に調整する。 ASt-CubesをベースとしたLightWeight U-Shape Net (LW-USN)は、飛ぶ鳥の物体を検出するように設計されている。
  論文  参考訳（メタデータ） (2023-01-05T05:32:22Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)
• BirdNet+: End-to-End 3D Object Detection in LiDAR Bird's Eye View [117.44028458220427]
  自動運転車のオンボード3Dオブジェクト検出は、LiDARデバイスが捉えた幾何学情報に依存することが多い。 本稿では,BEV画像のみから指向性3Dボックスを推測可能な,エンドツーエンドの3Dオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-09T15:08:40Z)

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。