論文の概要: How to Augment for Atmospheric Turbulence Effects on Thermal Adapted Object Detection Models?
- arxiv url: http://arxiv.org/abs/2405.06383v1
- Date: Fri, 10 May 2024 10:44:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-13 15:58:09.076516
- Title: How to Augment for Atmospheric Turbulence Effects on Thermal Adapted Object Detection Models?
- Title（参考訳）: 熱適応物体検出モデルにおける大気乱流効果の増強法
- Authors: Engin Uzun, Erdem Akagunduz,
- Abstract要約: 大気の乱流は物体検出モデルの性能に重大な課題をもたらす。
本稿では, 熱適応型および深層学習に基づく物体検出モデルの精度とロバスト性を向上させるため, 乱流画像強調手法の有効性について検討する。
- 参考スコア（独自算出の注目度）: 1.534667887016089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Atmospheric turbulence poses a significant challenge to the performance of object detection models. Turbulence causes distortions, blurring, and noise in images by bending and scattering light rays due to variations in the refractive index of air. This results in non-rigid geometric distortions and temporal fluctuations in the electromagnetic radiation received by optical systems. This paper explores the effectiveness of turbulence image augmentation techniques in improving the accuracy and robustness of thermal-adapted and deep learning-based object detection models under atmospheric turbulence. Three distinct approximation-based turbulence simulators (geometric, Zernike-based, and P2S) are employed to generate turbulent training and test datasets. The performance of three state-of-the-art deep learning-based object detection models: RTMDet-x, DINO-4scale, and YOLOv8-x, is employed on these turbulent datasets with and without turbulence augmentation during training. The results demonstrate that utilizing turbulence-specific augmentations during model training can significantly improve detection accuracy and robustness against distorted turbulent images. Turbulence augmentation enhances performance even for a non-turbulent test set.
- Abstract（参考訳）: 大気の乱流は物体検出モデルの性能に重大な課題をもたらす。
乱流は、空気の屈折率の変化により、光線を曲げたり散乱させたりすることで、画像の歪み、ぼかし、ノイズを引き起こす。
これにより、光学系が受ける電磁放射の非剛性幾何学的歪みと時間的ゆらぎが生じる。
本稿では,大気乱流下での熱適応型および深層学習に基づく物体検出モデルの精度とロバスト性を向上させるために,乱流画像増強技術の有効性について検討する。
3つの異なる近似に基づく乱流シミュレータ(幾何学、Zernikeベース、P2S)を用いて、乱流トレーニングとテストデータセットを生成する。
RTMDet-x, DINO-4scale, YOLOv8-xの3つの最先端ディープラーニングに基づく物体検出モデルの性能は, トレーニング中に乱流を増大させることなくこれらの乱流データセットに使用される。
その結果, モデルトレーニングにおける乱流特性の増大は, 歪み画像に対する検出精度とロバスト性を大幅に向上させることが示唆された。
乱流増大は、非乱流試験セットにおいても性能を高める。
関連論文リスト
- SphereDiffusion: Spherical Geometry-Aware Distortion Resilient Diffusion Model [63.685132323224124]
制御可能な球状パノラマ画像生成は、様々な領域でかなりの応用可能性を持っている。
本稿では,これらの課題に対処するために,SphereDiffusionの新しいフレームワークを提案する。
Structured3Dデータセットの実験では、SphereDiffusionは制御可能な球面画像生成の品質を大幅に改善し、平均して約35%のFIDを相対的に削減している。
論文 参考訳（メタデータ） (2024-03-15T06:26:46Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳（メタデータ） (2023-07-20T05:49:21Z) - Object recognition in atmospheric turbulence scenes [2.657505380055164]
乱流環境におけるオブジェクトの型を検知・分類するための歪み特徴を学習する新しいフレームワークを提案する。
具体的には、変形可能な畳み込みを利用して空間変位を処理する。
提案手法は平均精度(mAP)が30%を超えるベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-25T20:21:25Z) - AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using
Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。
CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。
Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文 参考訳（メタデータ） (2022-08-24T03:13:04Z) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - Augmentation of Atmospheric Turbulence Effects on Thermal Adapted Object
Detection Models [0.0]
大気の乱流は、長距離観測システムの画質に劣化効果がある。
我々は、幾何学的乱流モデルを用いて、中規模熱画像集合上での乱流効果をシミュレートする。
本稿では,オブジェクト検出器の性能向上のためのデータ拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-04-19T08:40:00Z) - Thermal to Visible Image Synthesis under Atmospheric Turbulence [67.99407460140263]
バイオメトリックスや監視では、低照度と夜間の条件下での撮像に熱画像モダリティがしばしば用いられる。
このような画像システムは、しばしば大気の乱れに悩まされ、撮像された画像に激しいぼやけや変形のアーチファクトをもたらす。
熱画像を直接可視光画像に変換するエンド・ツー・エンドの再構成法を提案する。
論文 参考訳（メタデータ） (2022-04-06T19:47:41Z) - Learning to Restore a Single Face Image Degraded by Atmospheric
Turbulence using CNNs [93.72048616001064]
このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。
乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
論文 参考訳（メタデータ） (2020-07-16T15:25:08Z)
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。