論文の概要: YOLO-Ant: A Lightweight Detector via Depthwise Separable Convolutional and Large Kernel Design for Antenna Interference Source Detection

• arxiv url: http://arxiv.org/abs/2402.12641v1
• Date: Tue, 20 Feb 2024 01:35:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 17:36:16.176977
• Title: YOLO-Ant: A Lightweight Detector via Depthwise Separable Convolutional and Large Kernel Design for Antenna Interference Source Detection
• Title（参考訳）: YOLO-Ant:アンテナ干渉源検出のための奥行き分離可能な畳み込み及び大型カーネル設計による軽量検出器
• Authors: Xiaoyu Tang, Xingming Chen, Jintao Cheng, Jin Wu, Rui Fan, Chengxi Zhang, Zebo Zhou
• Abstract要約: 本稿では,アンテナ干渉源検出のための軽量CNNと変圧器ハイブリッド検出器であるYOLO-Antを紹介する。 本稿では,ネットワークの機能抽出能力を高めるために,奥行き分離可能な畳み込みと大きな畳み込みカーネルに基づくDSLK-Blockモジュールを提案する。 アンテナ検出における複雑な背景やクラス間の違いといった課題に対処するため,DSLKVit-Blockを構築した。
• 参考スコア（独自算出の注目度）: 8.184096371244175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the era of 5G communication, removing interference sources that affect communication is a resource-intensive task. The rapid development of computer vision has enabled unmanned aerial vehicles to perform various high-altitude detection tasks. Because the field of object detection for antenna interference sources has not been fully explored, this industry lacks dedicated learning samples and detection models for this specific task. In this article, an antenna dataset is created to address important antenna interference source detection issues and serves as the basis for subsequent research. We introduce YOLO-Ant, a lightweight CNN and transformer hybrid detector specifically designed for antenna interference source detection. Specifically, we initially formulated a lightweight design for the network depth and width, ensuring that subsequent investigations were conducted within a lightweight framework. Then, we propose a DSLK-Block module based on depthwise separable convolution and large convolution kernels to enhance the network's feature extraction ability, effectively improving small object detection. To address challenges such as complex backgrounds and large interclass differences in antenna detection, we construct DSLKVit-Block, a powerful feature extraction module that combines DSLK-Block and transformer structures. Considering both its lightweight design and accuracy, our method not only achieves optimal performance on the antenna dataset but also yields competitive results on public datasets.
• Abstract（参考訳）: 5g通信の時代には、通信に影響を与える干渉源の除去はリソース集約的な作業である。 コンピュータビジョンの急速な発展により、無人航空機は様々な高度検出タスクを実行できるようになった。 アンテナ干渉源の物体検出の分野は十分に検討されていないため、この業界には特定のタスクのための専用の学習サンプルや検出モデルが欠けている。 本稿では、アンテナ干渉源検出問題に対処するためにアンテナデータセットを作成し、その後の研究の基礎となる。 本稿では,アンテナ干渉源検出用に設計された軽量CNNと変圧器ハイブリッド検出器YOLO-Antを紹介する。 具体的には、まず、ネットワークの深さと幅の軽量な設計を定式化し、その後の調査を軽量なフレームワーク内で行うことを保証した。 次に,ネットワークの特徴抽出能力を向上させるために,奥行き分離可能な畳み込みと大規模畳み込みカーネルに基づくdslkブロックモジュールを提案する。 アンテナ検出における複雑な背景やクラス間の違いといった課題に対処するため,DSLK-Blockとトランスフォーマー構造を組み合わせた強力な特徴抽出モジュールであるDSLKVit-Blockを構築した。 軽量設計と精度を両立させることで,アンテナデータセットの最適性能を実現するだけでなく,公共データセットの競合結果も得ることができる。

関連論文リスト

• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• MUFASA: Multi-View Fusion and Adaptation Network with Spatial Awareness for Radar Object Detection [3.1212590312985986]
  レーダー点雲の空間は 正確な物体検出に 困難を生じさせます 本稿では,レーダポイント雲の包括的特徴抽出手法を提案する。 我々は、VoDデータセット上のレーダベース手法のmAPが50.24%である場合、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-08-01T13:52:18Z)
• ViT LoS V2X: Vision Transformers for Environment-aware LoS Blockage Prediction for 6G Vehicular Networks [20.953587995374168]
  我々は、畳み込みニューラルネットワーク(CNN)とカスタマイズされた視覚変換器(ViT)を組み合わせたディープラーニングベースのアプローチを提案する。 提案手法は,時系列マルチモーダルデータから特徴を抽出するために,CNNとViTの相乗的強みを利用する。 その結果,提案手法は精度が高く,最先端のソリューションよりも優れ,95%以上の精度で予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-27T01:38:09Z)
• Poly Kernel Inception Network for Remote Sensing Detection [64.60749113583601]
  リモートセンシング画像における物体検出の課題に対処するために,Poly Kernel Inception Network (PKINet)を導入する。 PKINetはディレーションなしでマルチスケールの畳み込みカーネルを使用し、様々なスケールのオブジェクトの特徴を抽出し、ローカルコンテキストをキャプチャする。 これら2つのコンポーネントは、4つの挑戦的なリモートセンシング検出ベンチマーク上でPKINetのパフォーマンスを向上させるために共同で動作する。
  論文  参考訳（メタデータ） (2024-03-10T16:56:44Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• A Two-Dimensional Deep Network for RF-based Drone Detection and Identification Towards Secure Coverage Extension [7.717171534776764]
  時間領域情報と周波数領域情報の両方を含む生信号から2次元特徴を抽出するために,ショートタイムフーリエ変換を用いる。 次に、ResNet構造で構築された畳み込みニューラルネットワーク(CNN)を用いて、マルチクラス分類を実現する。 実験の結果,提案したResNet-STFTは,拡張データセット上でより精度が高く,より高速に収束できることがわかった。
  論文  参考訳（メタデータ） (2023-08-26T15:43:39Z)
• Wireless LAN sensing with smart antennas [2.1839191255085995]
  モーションセンシングは、スマートアンテナから発生した周囲WiFi信号の身体誘発的な変化を監視して得られる。 提案アルゴリズムは、大規模なスマートホーム環境内で実験的に検証される。
  論文  参考訳（メタデータ） (2022-04-27T17:29:24Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。