論文の概要: Vision-Based Power Line Cables and Pylons Detection for Low Flying Aircraft

• arxiv url: http://arxiv.org/abs/2407.14352v3
• Date: Tue, 30 Jul 2024 09:01:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-31 21:23:40.256754
• Title: Vision-Based Power Line Cables and Pylons Detection for Low Flying Aircraft
• Title（参考訳）: 低空飛行機用ビジョンベース電力線ケーブルとパイロン検出
• Authors: Jakub Gwizdała, Doruk Oner, Soumava Kumar Roy, Mian Akbar Shah, Ad Eberhard, Ivan Egorov, Philipp Krüsi, Grigory Yakushev, Pascal Fua,
• Abstract要約: 電力線ケーブルとパイロンを共同で検出する深層学習手法を開発した。 我々は,現代的畳み込み型アーキテクチャとトランスファーラーニング,カービリナー構造記述に適応した損失関数を組み合わせた。 オンボードシステムに統合し、飛行中に動作させ、実験により、従来の遠隔ケーブル検出方法よりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 33.552660821272205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Power lines are dangerous for low-flying aircraft, especially in low-visibility conditions. Thus, a vision-based system able to analyze the aircraft's surroundings and to provide the pilots with a "second pair of eyes" can contribute to enhancing their safety. To this end, we have developed a deep learning approach to jointly detect power line cables and pylons from images captured at distances of several hundred meters by aircraft-mounted cameras. In doing so, we have combined a modern convolutional architecture with transfer learning and a loss function adapted to curvilinear structure delineation. We use a single network for both detection tasks and demonstrated its performance on two benchmarking datasets. We have integrated it within an onboard system and run it in flight, and have demonstrated with our experiments that it outperforms the prior distant cable detection method on both datasets, while also successfully detecting pylons, given their annotations are available for the data.
• Abstract（参考訳）: 電力線は低空飛行機、特に低視認性条件下では危険である。 したがって、航空機の周囲を分析し、パイロットに「二対目の目」を提供することで安全性を高めることができる。 そこで我々は,航空機に搭載されたカメラで数百メートル離れた距離で撮影した画像から,電力線ケーブルとパイロンを共同で検出する深層学習手法を開発した。 そこで我々は,現代的畳み込み型アーキテクチャとトランスファーラーニング,カービリナー構造記述に適応した損失関数を組み合わせた。 我々は、両方の検出タスクに1つのネットワークを使用し、2つのベンチマークデータセットでその性能を実証した。 オンボードシステムに統合し、飛行中に実行し、実験により、両方のデータセット上で従来の遠隔ケーブル検出方法よりも優れており、また、アノテーションがデータに利用できるため、パイロンの検出にも成功していることを示した。

関連論文リスト

• Commissioning An All-Sky Infrared Camera Array for Detection Of Airborne Objects [0.11703603440337004]
  ガリレオ計画では、空を継続的に監視する多モード地上観測所を設計、建設、委託している。 鍵となる機器の1つは、8つの冷却されていない長波長のFLIRボソン640カメラを使用した全天型赤外線カメラアレイである。 各種気象条件に対する受入率(観測可能な航空機等)と検出効率(検出に成功している航空機等)を報告する。 おもちゃのアウトリーチは2次元再構成トラジェクトリーフラッグの大きな不純物に焦点を絞ったもので、トラジェクトリーの約16%をアウトリーチとして用いた。
  論文  参考訳（メタデータ） (2024-11-12T17:31:51Z)
• Power Line Aerial Image Restoration under dverse Weather: Datasets and Baselines [17.3009572002435]
  電力線自律検査(PLAI)はスマートグリッドの構築において重要な役割を果たす。 PLAIはUAVが捉えた空中画像の電気成分と欠陥を正確に検出して完成する。 航空画像の可視的品質は、ヘイズ、雨、雪などの悪天候によって必然的に劣化し、我々の研究で検出精度を劇的に低下させることが判明した。 本稿では,悪天候の劣化画像から清潔で高品質な画像の復元を目的とした,逆気象下での電力線動画像復元(PLAIR-AW)の課題を提案する。
  論文  参考訳（メタデータ） (2024-09-07T12:53:05Z)
• Better Monocular 3D Detectors with LiDAR from the Past [64.6759926054061]
  カメラベースの3D検出器は、画像の奥行きのあいまいさのため、LiDARベースの検出器に比べて性能が劣ることが多い。 本研究では,未ラベルの歴史的LiDARデータを活用することにより,単分子3D検出器の改良を図る。 複数の最先端モデルやデータセットに対して,9.66ミリ秒の追加レイテンシとストレージコストの低い,一貫性と大幅なパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2024-04-08T01:38:43Z)
• Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid [56.838297900091426]
  高電圧と低電圧の両方の電力線の特徴を検出し,抽出し,解析するために,教師なし機械学習(ML)フレームワークを提案する。 提案フレームワークは電力線を効率よく検出し,PLCに基づくハザード解析を行う。
  論文  参考訳（メタデータ） (2023-08-14T17:14:58Z)
• AirTrack: Onboard Deep Learning Framework for Long-Range Aircraft Detection and Tracking [3.3773749296727535]
  AirTrackは、sUASシステムのサイズ、重量、電力制約を尊重するリアルタイムの視覚のみの検出および追跡フレームワークである。 AirTrackは、Amazon Airborne Object Tracking(AOT)で最先端のアートベースラインを上回ります。 実験による評価から,本システムでは,最大で700mまでの95%以上をトラックできる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-09-26T16:58:00Z)
• Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images [96.66271207089096]
  FCOS-LiDARは、自律走行シーンのLiDAR点雲のための完全な1段式3Dオブジェクト検出器である。 標準的な2Dコンボリューションを持つRVベースの3D検出器は、最先端のBEVベースの検出器と同等の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-27T05:42:16Z)
• The State of Aerial Surveillance: A Survey [62.198765910573556]
  本稿では、コンピュータビジョンとパターン認識の観点から、人間中心の空中監視タスクの概要を概観する。 主な対象は、単体または複数の被験者が検出され、特定され、追跡され、再同定され、その振る舞いが分析される人間である。
  論文  参考訳（メタデータ） (2022-01-09T20:13:27Z)
• It's All Around You: Range-Guided Cylindrical Network for 3D Object Detection [4.518012967046983]
  本研究は,360度深度スキャナーによって生成された3次元データを解析するための新しい手法を提案する。 距離誘導畳み込みの概念を導入し,エゴ車と物体のスケールからの距離で受容場を適応させる。 我々のネットワークは、現在の最先端アーキテクチャに匹敵するnuScenesチャレンジにおいて、強力な結果を示す。
  論文  参考訳（メタデータ） (2020-12-05T21:02:18Z)
• 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)

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。