論文の概要: Object detection characteristics in a learning factory environment using YOLOv8

• arxiv url: http://arxiv.org/abs/2503.10356v1
• Date: Thu, 13 Mar 2025 13:33:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:54:39.128380
• Title: Object detection characteristics in a learning factory environment using YOLOv8
• Title（参考訳）: YOLOv8を用いた学習工場環境における物体検出特性
• Authors: Toni Schneidereit, Stefan Gohrenz, Michael Breuß,
• Abstract要約: 本稿では,検出対象の背景や特徴について,系統的に検討する。 後者は様々な材料と表面を含み、部分的に透明で、産業用4.0学習工場の文脈で光沢のある反射がある。 最終的に、同様の特徴は異なる振る舞いを示し、時には予期しない結果を示す傾向がある。
• 参考スコア（独自算出の注目度）: 0.1433758865948252
• License:
• Abstract: AI-based object detection, and efforts to explain and investigate their characteristics, is a topic of high interest. The impact of, e.g., complex background structures with similar appearances as the objects of interest, on the detection accuracy and, beforehand, the necessary dataset composition are topics of ongoing research. In this paper, we present a systematic investigation of background influences and different features of the object to be detected. The latter includes various materials and surfaces, partially transparent and with shiny reflections in the context of an Industry 4.0 learning factory. Different YOLOv8 models have been trained for each of the materials on different sized datasets, where the appearance was the only changing parameter. In the end, similar characteristics tend to show different behaviours and sometimes unexpected results. While some background components tend to be detected, others with the same features are not part of the detection. Additionally, some more precise conclusions can be drawn from the results. Therefore, we contribute a challenging dataset with detailed investigations on 92 trained YOLO models, addressing some issues on the detection accuracy and possible overfitting.
• Abstract（参考訳）: AIに基づくオブジェクト検出と、それらの特性を説明し、調査する試みは、高い関心を集めているトピックである。 例えば、興味の対象と類似した外観を持つ複雑な背景構造が検出精度に与える影響、そして事前に必要となるデータセット構成は、現在進行中の研究のトピックである。 本稿では,検出対象の背景や特徴について,系統的に検討する。 後者は様々な材料と表面を含み、部分的に透明で、産業用4.0学習工場の文脈で光沢のある反射がある。 さまざまなYOLOv8モデルは、異なるサイズのデータセット上の各材料に対してトレーニングされており、その外見は唯一の変化パラメータであった。 最終的に、同様の特徴は異なる振る舞いを示し、時には予期しない結果を示す傾向がある。 いくつかのバックグラウンドコンポーネントは検出される傾向にあるが、同じ特徴を持つコンポーネントは検出の一部ではない。 さらに、より正確な結論は結果から導き出すことができる。 そこで本研究では,92個のトレーニングされたYOLOモデルについて詳細な調査を行い,検出精度とオーバーフィッティングの可能性に関するいくつかの問題に対処する。

関連論文リスト

• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Methodology for a Statistical Analysis of Influencing Factors on 3D Object Detection Performance [0.0]
  自動走行では、オブジェクトの局所化と分類によって環境を知覚する上で、オブジェクト検出は必須のタスクである。 ほとんどのオブジェクト検出アルゴリズムは、優れた性能を得るためにディープラーニングに基づいている。 本稿では,LiDARとカメラを用いた3Dオブジェクト検出器の検知性能に及ぼす対象物や環境に関連する諸要因の影響を解析するための第一種手法を提案する。
  論文  参考訳（メタデータ） (2024-11-13T10:01:33Z)
• Correlation of Object Detection Performance with Visual Saliency and Depth Estimation [0.09208007322096533]
  本稿では,物体検出精度と,深度予測と視覚塩分率予測の2つの基本的な視覚的課題の相関について検討する。 分析の結果,これらの相関は対象のカテゴリ間で有意な変化を示し,相関値がより小さいオブジェクトの最大3倍も大きいことが判明した。 これらの結果から, 物体検出アーキテクチャに視覚的サリエンシ機能を組み込むことは, 深度情報よりも有益であることが示唆された。
  論文  参考訳（メタデータ） (2024-11-05T06:34:19Z)
• Evaluating saliency scores in point clouds of natural environments by learning surface anomalies [0.2340830801548167]
  そこで本稿では, 環境が乱雑な環境と区別し, 環境との相違点を評価することを提案する。 以前のサリエンシ検出アプローチでは、主に手作りの属性が提案されていた。 本稿では,音やテクスチャ面に対応する学習機構を提案する。
  論文  参考訳（メタデータ） (2024-08-26T17:04:52Z)
• Visual Context-Aware Person Fall Detection [52.49277799455569]
  画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。 ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。 トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-04-11T19:06:36Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• The Impact of Different Backbone Architecture on Autonomous Vehicle Dataset [120.08736654413637]
  バックボーンアーキテクチャによって抽出された特徴の質は、全体的な検出性能に大きな影響を与える可能性がある。 本研究は,KITTI,NuScenes,BDDの3つの自律走行車データセットを評価し,対象検出タスクにおける異なるバックボーンアーキテクチャの性能を比較した。
  論文  参考訳（メタデータ） (2023-09-15T17:32:15Z)
• Architectural Optimization and Feature Learning for High-Dimensional Time Series Datasets [0.7388859384645262]
  重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。 従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
  論文  参考訳（メタデータ） (2022-02-27T23:41:23Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Deep Texture-Aware Features for Camouflaged Object Detection [69.84122372541506]
  本稿では, テクスチャ認識モジュールを定式化し, 深層畳み込みニューラルネットワークにおけるテクスチャ認識の特徴を学習する。 我々は,キャモフラージュされた物体検出のためのベンチマークデータセット上で,定性的かつ定量的にネットワークを評価した。
  論文  参考訳（メタデータ） (2021-02-05T04:38:32Z)
• The joint role of geometry and illumination on material recognition [16.01513204879645]
  幾何学,照明,空間周波数の相互作用が物質認識タスクにおける人間のパフォーマンスに与える影響について検討した。 材料認識に関する深いニューラルネットワークをトレーニングし、材料を正確に分類します。
  論文  参考訳（メタデータ） (2021-01-07T11:29:52Z)

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。