論文の概要: Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions
- arxiv url: http://arxiv.org/abs/2408.13766v2
- Date: Tue, 27 Aug 2024 08:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 12:43:01.951626
- Title: Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions
- Title（参考訳）: 大気環境シミュレーションによる海洋SARにおける人体検出アルゴリズムのロバスト性向上
- Authors: Miguel Tjia, Artem Kim, Elaine Wynette Wijaya, Hanna Tefara, Kevin Zhu,
- Abstract要約: 本稿では,海中SARにおける人間の検出精度を向上させることを目的として,様々な標高と地質的位置を含む頑健なデータセットを評価する。
その結果, 強化データセットを用いたモデルでは, ヒトのリコールスコアが0.891から0.911の範囲で, YOLOv5lモデルでは3.4%向上した。
- 参考スコア（独自算出の注目度）: 1.660242118349614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 7,651 cases of Search and Rescue Missions (SAR) were reported by the United States Coast Guard in 2024, with over 1322 SAR helicopters deployed in the 6 first months alone. Through the utilizations of YOLO, we were able to run different weather conditions and lighting from our augmented dataset for training. YOLO then utilizes CNNs to apply a series of convolutions and pooling layers to the input image, where the convolution layers are able to extract the main features of the image. Through this, our YOLO model is able to learn to differentiate different objects which may considerably improve its accuracy, possibly enhancing the efficiency of SAR operations through enhanced detection accuracy. This paper aims to improve the model's accuracy of human detection in maritime SAR by evaluating a robust datasets containing various elevations and geological locations, as well as through data augmentation which simulates different weather and lighting. We observed that models trained on augmented datasets outperformed their non-augmented counterparts in which the human recall scores ranged from 0.891 to 0.911 with an improvement rate of 3.4\% on the YOLOv5l model. Results showed that these models demonstrate greater robustness to real-world conditions in varying of weather, brightness, tint, and contrast.
- Abstract（参考訳）: 7,651件の捜索救助ミッション(SAR)が2024年に沿岸警備隊によって報告され、6ヶ月だけで1322機以上のSARヘリコプターが配備された。
YOLOの利用を通じて、異なる気象条件と照明をトレーニング用データセットから実行することが可能になった。
YOLOはCNNを使用して一連の畳み込み層とプール層を入力画像に適用し、畳み込み層が画像の主要な特徴を抽出する。
これにより、我々のYOLOモデルは、その精度を大幅に向上させ、検出精度を高めてSAR操作の効率を向上する可能性のある、異なる物体の識別を学べる。
本稿では,海中SARにおける人間の検出精度の向上を目的として,様々な標高や地質位置を含む頑健なデータセットと,異なる気象や照明をシミュレートしたデータ拡張を用いて評価する。
強化データセットをトレーニングしたモデルでは,ヒトのリコールスコアが0.891から0.911の範囲で,YOLOv5lモデルでは3.4\%向上した。
その結果、これらのモデルは、天候、明るさ、色調、コントラストの異なる実世界の条件に対してより堅牢であることが示された。
関連論文リスト
- WV-Net: A foundation model for SAR WV-mode satellite imagery trained using contrastive self-supervised learning on 10 million images [23.653151006898327]
本研究では,1000万近いWVモード画像とコントラスト型自己教師型学習を用いて,WV-Netと呼ばれるセマンティック埋め込みモデルを訓練する。
複数の下流タスクにおいて、WV-Netは、教師あり学習を伴う自然画像に事前訓練された同等のモデルより優れている。
WV-Net埋め込みは教師なしのイメージ検索タスクでは優れており、データスパース設定ではスケールが優れている。
論文 参考訳（メタデータ） (2024-06-26T21:30:41Z) - Constellation Dataset: Benchmarking High-Altitude Object Detection for an Urban Intersection [7.419274609612015]
本研究では,高標高カメラで観測された都市景観の物体検出研究に適した13K画像のデータセットであるConstellationを紹介する。
このデータセットは、歩行者の限られたピクセルフットプリントによって実証された小さな物体検出の問題を探索するキュレートされたデータの必要性に対処する。
提案手法は, 車両と比較して小型歩行者の検出性能が低いことを観察し, データセット上での同時検出アーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2024-04-25T18:00:24Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。
我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。
我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
論文 参考訳（メタデータ） (2023-07-28T16:03:28Z) - CVPR MultiEarth 2023 Deforestation Estimation
Challenge:SpaceVision4Amazon [5.156484100374058]
EO(Electro-Optical)とSAR(Synthetic Aperture Radar)の衛星画像を用いた注意誘導UNetアーキテクチャに基づく森林破壊推定手法を提案する。
光画像、Landsat-8およびSAR画像では、Sentinel-1データを使用して提案されたモデルのトレーニングと検証を行っている。
訓練期間中、ランドサット-8は93.45%のトレーニングと検証ピクセルの精度を達成し、センチネル-2は83.87%の精度を達成した。
論文 参考訳（メタデータ） (2023-07-10T17:25:04Z) - DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。
このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。
I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
論文 参考訳（メタデータ） (2023-05-26T13:41:35Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in
Adverse Weather [92.84066576636914]
本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。
我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。
Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
論文 参考訳（メタデータ） (2021-08-11T14:37:54Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-27T17:30:49Z)
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。