論文の概要: Improving Small Drone Detection Through Multi-Scale Processing and Data Augmentation
- arxiv url: http://arxiv.org/abs/2504.19347v1
- Date: Sun, 27 Apr 2025 20:06:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.247017
- Title: Improving Small Drone Detection Through Multi-Scale Processing and Data Augmentation
- Title（参考訳）: マルチスケール処理とデータ拡張による小型ドローン検出の改善
- Authors: Rayson Laroca, Marcelo dos Santos, David Menotti,
- Abstract要約: 本研究では,中規模のYOLOv11オブジェクト検出モデルに基づくドローン検出手法を提案する。
そこで我々は,入力画像を全体およびセグメント化された部分の両方で処理し,その後の予測アグリゲーションで処理するマルチスケールアプローチを実装した。
提案されたアプローチは、2025年のInternational Joint Conference on Neural Networksで開かれた第8回WOSDETC Drone-vsBird Detection Grand Challengeでトップ3にランクインした。
- 参考スコア（独自算出の注目度）: 2.522137108227868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting small drones, often indistinguishable from birds, is crucial for modern surveillance. This work introduces a drone detection methodology built upon the medium-sized YOLOv11 object detection model. To enhance its performance on small targets, we implemented a multi-scale approach in which the input image is processed both as a whole and in segmented parts, with subsequent prediction aggregation. We also utilized a copy-paste data augmentation technique to enrich the training dataset with diverse drone and bird examples. Finally, we implemented a post-processing technique that leverages frame-to-frame consistency to mitigate missed detections. The proposed approach attained a top-3 ranking in the 8th WOSDETC Drone-vsBird Detection Grand Challenge, held at the 2025 International Joint Conference on Neural Networks (IJCNN), showcasing its capability to detect drones in complex environments effectively.
- Abstract（参考訳）: 鳥と区別がつかない小さなドローンを検知することは、現代の監視にとって不可欠だ。
本研究では,中規模のYOLOv11オブジェクト検出モデルに基づくドローン検出手法を提案する。
そこで本研究では,入力画像を全体とセグメント化された部分の両方で処理し,その後の予測アグリゲーションで処理するマルチスケールアプローチを実装した。
また、コピーペーストデータ拡張技術を用いて、多様なドローンや鳥の例でトレーニングデータセットを充実させた。
最後に,フレーム間の整合性を利用して誤り検出を緩和する後処理手法を実装した。
提案されたアプローチは、2025年のIJCNN(International Joint Conference on Neural Networks)で開かれた第8回WOSDETC Drone-vsBird Detection Grand Challengeでトップ3にランクインした。
関連論文リスト
- YOLOMG: Vision-based Drone-to-Drone Detection with Appearance and Pixel-Level Motion Fusion [9.810747004677474]
本稿では,複雑な環境下で小型ドローンを正確に識別する新しいエンドツーエンドフレームワークを提案する。
最初は、小さなドローンのモーション特性を捉えるために、動きの差分マップを作成する。
次に、この動き差分マップをバイモーダル融合モジュールを用いてRGB画像と組み合わせることで、ドローンの適応的な特徴学習を可能にする。
論文 参考訳（メタデータ） (2025-03-10T09:44:21Z) - A Cross-Scene Benchmark for Open-World Drone Active Tracking [54.235808061746525]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATと呼ばれるオープンワールドドローンアクティブトラッキングのためのクロスシーンクロスドメインベンチマークを提案する。
また、R-VATと呼ばれる強化学習に基づくドローン追跡手法を提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - DroBoost: An Intelligent Score and Model Boosting Method for Drone Detection [1.2564343689544843]
ドローン検出は、画像の可視性や品質が好ましくないような、困難な物体検出タスクである。
私たちの仕事は、いくつかの改善を組み合わせることで、以前のアプローチを改善します。
提案された技術は、Drone vs. Bird Challengeで1位を獲得した。
論文 参考訳（メタデータ） (2024-06-30T20:49:56Z) - C2FDrone: Coarse-to-Fine Drone-to-Drone Detection using Vision Transformer Networks [23.133250476580038]
衝突回避、敵のドローン対策、捜索救助活動など、さまざまな用途において、視覚に基づくドローンからドローンまでの検出システムは不可欠である。
ドローンの検出には、小さなオブジェクトのサイズ、歪み、リアルタイム処理要求など、ユニークな課題がある。
本稿では,視覚変換器に基づく粗大な検出手法を提案する。
論文 参考訳（メタデータ） (2024-04-30T05:51:21Z) - TransVisDrone: Spatio-Temporal Transformer for Vision-based
Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。
既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。
計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
論文 参考訳（メタデータ） (2022-10-16T03:05:13Z) - Sequence Models for Drone vs Bird Classification [2.294014185517203]
ドローンのコストが減少し、ドローン技術が向上するにつれ、ドローン検出はオブジェクト検出において重要な課題となっている。
コントラストが弱く、距離が長く、視界が低い場合、遠方のドローンを検知することは困難である。
検出されたドローントラックの偽陽性比を低減するために,いくつかのシーケンス分類アーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-07-21T11:00:44Z) - Track Boosting and Synthetic Data Aided Drone Detection [0.0]
本手法は, YOLOv5モデルを実データおよび合成データで微調整することにより, ドローン検出問題にアプローチする。
以上の結果から,合成データの最適なサブセットで実データを増やすことで,性能が向上する可能性が示唆された。
論文 参考訳（メタデータ） (2021-11-24T10:16:27Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
本稿では,他の飛行ドローンからドローンを検知する問題に対処する。
ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。
これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
論文 参考訳（メタデータ） (2021-03-31T17:43:31Z) - 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) - Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。
当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。
本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文 参考訳（メタデータ） (2020-01-16T00:11:56Z)
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。