Fugu-MT 論文翻訳(概要): Fall Detection for Industrial Setups Using YOLOv8 Variants

論文の概要: Fall Detection for Industrial Setups Using YOLOv8 Variants

arxiv url: http://arxiv.org/abs/2408.04605v1
Date: Thu, 8 Aug 2024 17:24:54 GMT
ステータス: 処理完了
システム内更新日: 2024-08-09 14:48:21.048066
Title: Fall Detection for Industrial Setups Using YOLOv8 Variants
Title（参考訳）: YOLOv8バリアントを用いた産業設備の転倒検出
Authors: Gracile Astlin Pereira,
Abstract要約: 25.9百万のパラメータと79.1のGFLOPからなるYOLOv8mモデルでは、計算効率と検出性能のバランスが良好であった。 YOLOv8l と YOLOv8x モデルでは精度とリコールが向上したが、その高い計算要求とモデルサイズによりリソース制約のある環境には適さない。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents the development of an industrial fall detection system utilizing YOLOv8 variants, enhanced by our proposed augmentation pipeline to increase dataset variance and improve detection accuracy. Among the models evaluated, the YOLOv8m model, consisting of 25.9 million parameters and 79.1 GFLOPs, demonstrated a respectable balance between computational efficiency and detection performance, achieving a mean Average Precision (mAP) of 0.971 at 50% Intersection over Union (IoU) across both "Fall Detected" and "Human in Motion" categories. Although the YOLOv8l and YOLOv8x models presented higher precision and recall, particularly in fall detection, their higher computational demands and model size make them less suitable for resource-constrained environments.
Abstract（参考訳）: 本稿では, YOLOv8 変種を用いた産業用転倒検出システムの開発について述べる。評価されたモデルのうち、25.9百万のパラメータと79.1のGFLOPからなるYOLOv8mモデルは、計算効率と検出性能のバランスをよく示し、「Fall Detected」と「Human in Motion」の2つのカテゴリにまたがる50%のIoUにおける平均平均精度(mAP)を0.971で達成した。 YOLOv8l と YOLOv8x モデルは、特に転倒検出において高い精度とリコールを示したが、その高い計算要求とモデルサイズにより、リソース制約のある環境には適さない。

関連論文リスト

Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
論文参考訳（メタデータ） (2024-11-11T13:13:39Z)
Cutting-Edge Detection of Fatigue in Drivers: A Comparative Study of Object Detection Models [0.0]
本研究は, YOLOv5, YOLOv6, YOLOv7, YOLOv8を含む, 近代的な物体検出アルゴリズムに基づく疲労検出システムの開発について述べる。これらのモデルの性能を比較することで,運転者の疲労関連行動のリアルタイム検出の有効性を評価する。この研究は、環境変動や検出精度といった課題に対処し、リアルタイム検出を強化するロードマップを提案する。
論文参考訳（メタデータ） (2024-10-19T08:06:43Z)
Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
論文参考訳（メタデータ） (2024-10-16T07:48:53Z)
YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
論文参考訳（メタデータ） (2024-10-15T16:00:01Z)
Fall Detection for Smart Living using YOLOv5 [0.0]
本研究は,平均平均精度0.995のYOLOv5muモデルを用いた転倒検出システムを提案する。このモデルは様々な条件にまたがって大きな堅牢性と適応性を示す。
論文参考訳（メタデータ） (2024-08-28T17:14:51Z)
YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文参考訳（メタデータ） (2024-05-23T11:44:29Z)
Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文参考訳（メタデータ） (2023-10-25T17:59:12Z)
Real-Time Flying Object Detection with YOLOv8 [0.0]
本稿では,飛行物体のリアルタイム検出のための一般化モデルを提案する。また,フライング物体検出のための最先端結果を得るための改良されたモデルを提案する。
論文参考訳（メタデータ） (2023-05-17T06:11:10Z)
Optimizing YOLOv7 for Semiconductor Defect Detection [0.33598755777055367]
YOLOv7は、工業用途に普及したYOLOモデルを基にした最先端のオブジェクト検出器である。本研究は,半導体線空間パターン欠陥の検出精度の観点から,どのモデルが性能を向上させるかを検討する。
論文参考訳（メタデータ） (2023-02-19T12:51:07Z)
MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
論文参考訳（メタデータ） (2021-10-18T17:55:11Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。