論文の概要: Fusion Flow-enhanced Graph Pooling Residual Networks for Unmanned Aerial Vehicles Surveillance in Day and Night Dual Visions
- arxiv url: http://arxiv.org/abs/2407.12647v1
- Date: Wed, 17 Jul 2024 15:16:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-18 16:35:48.589700
- Title: Fusion Flow-enhanced Graph Pooling Residual Networks for Unmanned Aerial Vehicles Surveillance in Day and Night Dual Visions
- Title（参考訳）: 昼と夜のデュアルビジョンにおける無人航空車両の核融合流動強化グラフポーリング残差ネットワーク
- Authors: Alam Noor, Kai Li, Eduardo Tovar, Pei Zhang, Bo Wei,
- Abstract要約: 無許可無人航空機(UAV)は、民間と軍事の航空安全に重大な脅威をもたらす。
デュアルビジョンカメラでUAVを昼夜認識するのは簡単ではない。赤緑色(RGB)画像は、光条件が不十分な場合、検出速度が低いためである。
昼夜両眼視におけるUAV検出率を大幅に向上させる新しい光フロー支援グラフプール残差ネットワーク(OF-GPRN)を提案する。
- 参考スコア（独自算出の注目度）: 8.495890548986102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recognizing unauthorized Unmanned Aerial Vehicles (UAVs) within designated no-fly zones throughout the day and night is of paramount importance, where the unauthorized UAVs pose a substantial threat to both civil and military aviation safety. However, recognizing UAVs day and night with dual-vision cameras is nontrivial, since red-green-blue (RGB) images suffer from a low detection rate under an insufficient light condition, such as on cloudy or stormy days, while black-and-white infrared (IR) images struggle to capture UAVs that overlap with the background at night. In this paper, we propose a new optical flow-assisted graph-pooling residual network (OF-GPRN), which significantly enhances the UAV detection rate in day and night dual visions. The proposed OF-GPRN develops a new optical fusion to remove superfluous backgrounds, which improves RGB/IR imaging clarity. Furthermore, OF-GPRN extends optical fusion by incorporating a graph residual split attention network and a feature pyramid, which refines the perception of UAVs, leading to a higher success rate in UAV detection. A comprehensive performance evaluation is conducted using a benchmark UAV catch dataset. The results indicate that the proposed OF-GPRN elevates the UAV mean average precision (mAP) detection rate to 87.8%, marking a 17.9% advancement compared to the residual graph neural network (ResGCN)-based approach.
- Abstract（参考訳）: 無人航空機(UAV)を昼夜の飛行禁止区域内で認識することが最重要であり、無人航空機は民間航空と軍事航空の両方に重大な脅威をもたらす。
しかし、赤緑色(RGB)画像は、曇りや嵐の日のような十分な光条件下での低い検出率に苦しむ一方、黒と白の赤外線(IR)画像は、夜の背景と重なるUAVを捉えるのに苦労するため、デュアルビジョンカメラでUAVを昼夜認識することは簡単ではない。
本稿では、昼夜両眼視におけるUAV検出率を大幅に向上させる新しい光フロー支援グラフプール残差ネットワーク(OF-GPRN)を提案する。
提案したOF-GPRNは、RGB/IR画像の鮮明さを改善するために、超流動背景を除去する新しい光融合を開発する。
さらに、OF-GPRNは、グラフ残差注意ネットワークと、UAVの知覚を洗練させ、UAV検出の成功率を高める特徴ピラミッドを組み込むことで、光融合を拡張している。
ベンチマークUAVキャッチデータセットを用いて総合的な性能評価を行う。
提案したOF-GPRNはUAV平均精度(mAP)の87.8%に上昇し、残留グラフニューラルネットワーク(ResGCN)ベースのアプローチと比較して17.9%の進歩を示した。
関連論文リスト
- Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。
そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
論文 参考訳（メタデータ） (2024-10-30T10:33:10Z) - Towards Real-Time Fast Unmanned Aerial Vehicle Detection Using Dynamic Vision Sensors [6.03212980984729]
無人航空機(UAV)は民間や軍事用途で人気を集めている。
UAVの予防と検出は、機密性と安全性を保証するために重要である。
本稿では,F-UAV-D(Fast Unmanned Aerial Vehicle Detector)を提案する。
論文 参考訳（メタデータ） (2024-03-18T15:27:58Z) - UAV-Rain1k: A Benchmark for Raindrop Removal from UAV Aerial Imagery [18.97379943624394]
UAVのレンズに付着した雨滴は、背景の視認性を阻害し、画質を低下させる。
まず,UAV画像から雨滴を除去するUAV-Rain1kというベンチマークデータセットを構築した。
論文 参考訳（メタデータ） (2024-02-08T16:00:25Z) - Evidential Detection and Tracking Collaboration: New Problem, Benchmark
and Algorithm for Robust Anti-UAV System [56.51247807483176]
無人航空機(UAV)は輸送、監視、軍事など多くの地域で広く使われている。
従来は、UAVの先行情報が常に提供されていた追跡問題として、このようなアンチUAVタスクを単純化していた。
本稿では,従来のUAV情報を含まない複雑な場面において,UAVの認識を特徴とする新しい実用的対UAV問題を初めて定式化する。
論文 参考訳（メタデータ） (2023-06-27T19:30:23Z) - TF-Net: Deep Learning Empowered Tiny Feature Network for Night-time UAV
Detection [10.43480599406243]
本稿では、深層学習に基づくTinyFeatureNet(TF-Net)を用いて、夜間に赤外線画像を用いてUAVを正確に検出する。
その結果,提案するTF-Netの性能は,精度,IoU,GFLOPS,モデルサイズ,FPSで向上した。
論文 参考訳（メタデータ） (2022-11-29T15:58:36Z) - Attention-based Reinforcement Learning for Real-Time UAV Semantic
Communication [53.46235596543596]
移動地利用者に対する空対地超信頼性・低遅延通信(URLLC)の問題点について検討する。
グラフアテンション交換ネットワーク(GAXNet)を用いたマルチエージェント深層強化学習フレームワークを提案する。
GAXNetは、最先端のベースラインフレームワークと比較して、0.0000001エラー率で6.5倍のレイテンシを実現している。
論文 参考訳（メタデータ） (2021-05-22T12:43:25Z) - UAV-ReID: A Benchmark on Unmanned Aerial Vehicle Re-identification [21.48667873335246]
近年のディープラーニング開発により、視覚ベースの対UAVシステムは単一のカメラでUAVを検出し、追跡することができる。
単一のカメラのカバー範囲は限られており、カメラ間のUAVにマッチするマルチカメラ構成が必要である。
我々は,この新興地域での機械学習ソリューションの開発を容易にする,UAV-reIDという新しいUAV再識別データセットを提案する。
論文 参考訳（メタデータ） (2021-04-13T14:13:09Z) - Anti-UAV: A Large Multi-Modal Benchmark for UAV Tracking [59.06167734555191]
Unmanned Aerial Vehicle (UAV)は、商業とレクリエーションの両方に多くの応用を提供している。
我々は、UAVを追跡し、位置や軌道などの豊富な情報を提供するという課題を考察する。
300以上のビデオペアが580k以上の手動で注釈付きバウンディングボックスを含むデータセット、Anti-UAVを提案します。
論文 参考訳（メタデータ） (2021-01-21T07:00:15Z) - Deep Learning-based Human Detection for UAVs with Optical and Infrared
Cameras: System and Experiments [35.342730238802886]
本稿では,光学(RGB)と長波赤外線(LWIR)カメラを用いた深層学習に基づく人体検知システムを提案する。
それぞれのスペクトルにおいて、ResNetバックボーンを備えたカスタマイズされたRetinaNetネットワークは、人間の検出を提供する。
境界ボックスアンカーを最適化し,画像解像度を向上することにより,高高度からの欠落検出数を20%以上削減できることを示す。
論文 参考訳（メタデータ） (2020-08-10T15:30:42Z) - 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) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z)
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。