論文の概要: Common Corruptions for Enhancing and Evaluating Robustness in Air-to-Air Visual Object Detection
- arxiv url: http://arxiv.org/abs/2405.06765v1
- Date: Fri, 10 May 2024 18:33:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 20:15:33.448637
- Title: Common Corruptions for Enhancing and Evaluating Robustness in Air-to-Air Visual Object Detection
- Title（参考訳）: 空対空物体検出におけるロバスト性向上とロバスト性評価のための共通故障
- Authors: Anastasios Arsenos, Vasileios Karampinis, Evangelos Petrongonas, Christos Skliros, Dimitrios Kollias, Stefanos Kollias, Athanasios Voulodimos,
- Abstract要約: 本文は,これらの手法の有効性に対するデータ破損の影響を調査し,視覚に基づく深層学習航空機の検出・追跡に寄与する。
これらの破損をAirborne Object Trackingデータセットに適用することにより、空中対空物体検出のためのAOT-Cという最初のベンチマークデータセットを構築しました。
第2の主な貢献は、汚職の程度を増大させる際の性能劣化を調査するため、8ドルの多種多様な物体検出器を含む広範囲な実験的評価を提示することである。
- 参考スコア（独自算出の注目度）: 17.38974968542393
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The main barrier to achieving fully autonomous flights lies in autonomous aircraft navigation. Managing non-cooperative traffic presents the most important challenge in this problem. The most efficient strategy for handling non-cooperative traffic is based on monocular video processing through deep learning models. This study contributes to the vision-based deep learning aircraft detection and tracking literature by investigating the impact of data corruption arising from environmental and hardware conditions on the effectiveness of these methods. More specifically, we designed $7$ types of common corruptions for camera inputs taking into account real-world flight conditions. By applying these corruptions to the Airborne Object Tracking (AOT) dataset we constructed the first robustness benchmark dataset named AOT-C for air-to-air aerial object detection. The corruptions included in this dataset cover a wide range of challenging conditions such as adverse weather and sensor noise. The second main contribution of this letter is to present an extensive experimental evaluation involving $8$ diverse object detectors to explore the degradation in the performance under escalating levels of corruptions (domain shifts). Based on the evaluation results, the key observations that emerge are the following: 1) One-stage detectors of the YOLO family demonstrate better robustness, 2) Transformer-based and multi-stage detectors like Faster R-CNN are extremely vulnerable to corruptions, 3) Robustness against corruptions is related to the generalization ability of models. The third main contribution is to present that finetuning on our augmented synthetic data results in improvements in the generalisation ability of the object detector in real-world flight experiments.
- Abstract（参考訳）: 完全な自律飛行を達成するための主要な障壁は、自律飛行のナビゲーションである。
非協調的な交通を管理することは、この問題において最も重要な課題である。
非協調的トラフィックを扱うための最も効率的な戦略は、ディープラーニングモデルによる単眼ビデオ処理に基づいている。
本研究は,環境条件やハードウェア条件から生じるデータ破損が,これらの手法の有効性に与える影響を調べることによって,視覚に基づく深層学習航空機の検出・追跡に寄与する。
より具体的には、実際の飛行状況を考慮したカメラ入力の一般的な汚職タイプを7ドル(約7,800円)で設計しました。
これらの破損を空中物体追跡(AOT)データセットに適用することにより、空中物体検出のための最初のロバストネスベンチマークデータセットであるAOT-Cを構築した。
このデータセットに含まれる汚職は、悪天候やセンサーノイズなど、幅広い困難条件をカバーしている。
この書簡の2つ目の貢献は、さまざまな物体検出器を含む広範囲な実験的評価を提示し、汚職レベル(ドメインシフト)の増大による性能劣化を調査することである。
評価結果に基づき, 出現する主な観測項目は以下のとおりである。
1) YOLOファミリーの1段階検出器は, より堅牢性を示した。
2)Faster R-CNNのようなトランスフォーマーベースの多段検出器は、破損に対して極めて脆弱である。
3)汚職に対するロバスト性はモデルの一般化能力に関係している。
第3の貢献は、我々の強化された合成データの微調整により、実世界の飛行実験における物体検出器の一般化能力が向上することを示すことである。
関連論文リスト
- OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Segmentation of Drone Collision Hazards in Airborne RADAR Point Clouds
Using PointNet [0.7067443325368975]
統合のための重要な前提条件は、安全な運用を確保するために、状況認識を増強したUAVを装備することである。
本研究は,複数の衝突リスクを同時に識別するために,レーダ技術を活用した航空点雲のエンドツーエンドセマンティックセマンティックセマンティックセグメンテーションを実現する。
我々の知る限り、これは空中における複数の衝突脅威の同時識別に対処する最初のアプローチであり、94%の精度を達成する。
論文 参考訳（メタデータ） (2023-11-06T16:04:58Z) - Enhancing Infrared Small Target Detection Robustness with Bi-Level
Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。
我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文 参考訳（メタデータ） (2023-09-03T06:35:07Z) - AB2CD: AI for Building Climate Damage Classification and Detection [0.0]
本研究では, 自然災害の文脈において, 建物の損傷評価を正確に行うための深層学習手法の実装について検討する。
我々は,低品質・騒音ラベルの影響を考慮しつつ,新たな災害・地域への一般化の課題に取り組む。
我々の研究結果は、気候変動によって引き起こされる極端気象事象の影響評価を強化するための高度なAIソリューションの可能性と限界を示している。
論文 参考訳（メタデータ） (2023-09-03T03:37:04Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。
気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。
本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-30T17:59:17Z) - Benchmarking Robustness of 3D Object Detection to Common Corruptions in
Autonomous Driving [44.753797839280516]
既存の3D検出器は、悪天候やセンサーノイズなどによって引き起こされる現実世界の腐敗に対して堅牢性に欠ける。
実世界の運転シナリオを考慮したLiDARとカメラ入力の27種類の共通汚職をベンチマークした。
本研究は,24種類の3次元物体検出モデルを用いた大規模実験を行い,ロバスト性の評価を行った。
論文 参考訳（メタデータ） (2023-03-20T11:45:54Z) - Common Corruption Robustness of Point Cloud Detectors: Benchmark and
Enhancement [17.228852716121885]
LiDARベースのポイントクラウドによるオブジェクト検出は、最近自動運転において重要になった。
さまざまなシーンと、さまざまな重大さを持つ現実的な汚職タイプをカバーする大規模なデータセットが欠如している。
そこで本研究では, 実世界の共通汚職にともなう劣化点雲を生成する物理認識シミュレーション手法を提案する。
論文 参考訳（メタデータ） (2022-10-12T03:23:35Z) - Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a
Stacked Recurrent Autoencoder Method with Dynamic Thresholding [0.3441021278275805]
本稿では,Long Short-Term Memory (LSTM) Deep Learning Autoencoderをベースとした,新しい動的しきい値決定アルゴリズムとUAVデータセットの異常検出のための重み付き損失関数を組み込んだシステムを提案する。
動的しきい値と重み付き損失関数は、精度関連性能指標と真の故障検出速度の両方において、標準静的しきい値法に有望な改善を示した。
論文 参考訳（メタデータ） (2022-03-09T14:16:14Z) - Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。
提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文 参考訳（メタデータ） (2021-03-23T19:45:26Z)
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。