論文の概要: YOLO for Knowledge Extraction from Vehicle Images: A Baseline Study

• arxiv url: http://arxiv.org/abs/2507.18966v1
• Date: Fri, 25 Jul 2025 05:31:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.829144
• Title: YOLO for Knowledge Extraction from Vehicle Images: A Baseline Study
• Title（参考訳）: 自動車画像からの知識抽出のためのYOLO:ベースライン研究
• Authors: Saraa Al-Saddik, Manna Elizabeth Philip, Ali Haidar,
• Abstract要約: 本研究は, YOLO-v11, YOLO-World, YOLO-classの3つの最先端ディープラーニング手法の有効性を評価する。 このデータセットは、NSW Police Highway Patrol Vehiclesによって、困難かつ制約のない条件下で収集された。 このような複雑な実世界のデータセットで使用可能なモデルを得るためには、MVIを使う必要があると結論付けられた。
• 参考スコア（独自算出の注目度）: 0.20482269513546458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate identification of vehicle attributes such as make, colour, and shape is critical for law enforcement and intelligence applications. This study evaluates the effectiveness of three state-of-the-art deep learning approaches YOLO-v11, YOLO-World, and YOLO-Classification on a real-world vehicle image dataset. This dataset was collected under challenging and unconstrained conditions by NSW Police Highway Patrol Vehicles. A multi-view inference (MVI) approach was deployed to enhance the performance of the models' predictions. To conduct the analyses, datasets with 100,000 plus images were created for each of the three metadata prediction tasks, specifically make, shape and colour. The models were tested on a separate dataset with 29,937 images belonging to 1809 number plates. Different sets of experiments have been investigated by varying the models sizes. A classification accuracy of 93.70%, 82.86%, 85.19%, and 94.86% was achieved with the best performing make, shape, colour, and colour-binary models respectively. It was concluded that there is a need to use MVI to get usable models within such complex real-world datasets. Our findings indicated that the object detection models YOLO-v11 and YOLO-World outperformed classification-only models in make and shape extraction. Moreover, smaller YOLO variants perform comparably to larger counterparts, offering substantial efficiency benefits for real-time predictions. This work provides a robust baseline for extracting vehicle metadata in real-world scenarios. Such models can be used in filtering and sorting user queries, minimising the time required to search large vehicle images datasets.
• Abstract（参考訳）: 製造、色、形状などの車両属性の正確な識別は、法執行機関や諜報機関の応用において重要である。 本研究では,3つの最先端ディープラーニングアプローチ YOLO-v11, YOLO-World, YOLO-Classification の有効性を評価する。 このデータセットは、NSW Police Highway Patrol Vehiclesによって、困難かつ制約のない条件下で収集された。 モデル予測の性能を高めるためにマルチビュー推論(MVI)アプローチが導入された。 分析を行うために、3つのメタデータ予測タスク、特に作成、形状、色について、10万以上の画像を含むデータセットが作成された。 モデルは、1809個のナンバープレートに属する29,937枚の画像を持つ別のデータセットでテストされた。 モデルのサイズによって異なる実験セットが研究されている。 分類精度は93.70%、82.86%、85.19%、94.86%で、それぞれ最高性能のマニュファクチャ、形状、色、色と2値のモデルが与えられた。 このような複雑な実世界のデータセットで使用可能なモデルを得るためには、MVIを使う必要があると結論付けられた。 その結果, 対象検出モデル YOLO-v11 と YOLO-World は, 形状と形状の抽出において, 分類のみのモデルよりも優れていた。 さらに、より小さなYOLO変種はより大きな変種と互換性があり、リアルタイムの予測にかなりの効率性をもたらす。 この作業は、現実世界のシナリオで車両メタデータを抽出するための堅牢なベースラインを提供する。 このようなモデルは、ユーザクエリのフィルタリングやソートに使用することができ、大規模な車両画像データセットの検索に必要な時間を最小化することができる。

関連論文リスト

• YOLO Evolution: A Comprehensive Benchmark and Architectural Review of YOLOv12, YOLO11, and Their Previous Versions [0.0]
  本研究は, YOLOv3から最新のYOLOv12への包括的実験評価である。 考慮すべき課題は、さまざまなオブジェクトサイズ、多様なアスペクト比、単一クラスの小さなオブジェクトである。 分析では各YOLOバージョンの特徴的長所と短所を強調した。
  論文  参考訳（メタデータ） (2024-10-31T20:45:00Z)
• Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10 [0.0]
  本稿では,ディープラーニングモデルを用いた道路損傷検出のための総合ワークフローを提案する。 ハードウェアの制約を満たすため、大きな画像が収穫され、軽量モデルが利用される。 提案手法では,コーディネートアテンションレイヤを備えたカスタムYOLOv7モデルや,Tiny YOLOv7モデルなど,複数のモデルアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2024-10-10T22:55:12Z)
• DiffYOLO: Object Detection for Anti-Noise via YOLO and Diffusion Models [4.7846759259287985]
  本稿では,DiffYOLO と呼ばれる YOLO モデルに適用可能なフレームワークを提案する。 具体的には,拡散確率モデルから特徴写像を抽出し,よく訓練されたモデルを強化する。 その結果、このフレームワークはノイズの多いデータセットのパフォーマンスを証明できるだけでなく、高品質なテストデータセットにおける検出結果も証明できることがわかった。
  論文  参考訳（メタデータ） (2024-01-03T10:35:35Z)
• Investigating YOLO Models Towards Outdoor Obstacle Detection For Visually Impaired People [3.4628430044380973]
  7種類のYOLOオブジェクト検出モデルが実装された。 YOLOv8は最高のモデルであることが判明し、その精度は80ドルに達し、よく知られたObstacleデータセットでは68.2%だった。 YOLO-NASは障害物検出作業に最適であることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T13:16:22Z)
• A Simple and Efficient Baseline for Data Attribution on Images [107.12337511216228]
  現在の最先端のアプローチでは、モデル予測を正確に評価するために、最大30万のモデルの大規模なアンサンブルが必要となる。 本研究では、自己教師付き学習によって事前訓練されたバックボーンの特徴空間を利用して、データ帰属を行うミニマリストベースラインに焦点を当てる。 提案手法はモデルに依存しず,大規模データセットに容易にスケールできる。
  論文  参考訳（メタデータ） (2023-11-03T17:29:46Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Delving Deeper into Data Scaling in Masked Image Modeling [145.36501330782357]
  視覚認識のためのマスク付き画像モデリング(MIM)手法のスケーリング能力に関する実証的研究を行った。 具体的には、Webで収集したCoyo-700Mデータセットを利用する。 我々のゴールは、データとモデルのサイズの異なるスケールでダウンストリームタスクのパフォーマンスがどのように変化するかを調べることです。
  論文  参考訳（メタデータ） (2023-05-24T15:33:46Z)
• Performance Analysis of YOLO-based Architectures for Vehicle Detection from Traffic Images in Bangladesh [0.0]
  バングラデシュの交通画像から高速かつ正確な車両検出を行うのに最適なYOLOアーキテクチャを見つける。 モデルは、21種類の車両に属する7390の画像を含むデータセットで訓練された。 YOLOV5xは, YOLOv3モデルとYOLOv5sモデルよりそれぞれ7～4%, 精度は12～8.5%向上した。
  論文  参考訳（メタデータ） (2022-12-18T18:53:35Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Evaluation of YOLO Models with Sliced Inference for Small Object Detection [0.0]
  この研究は、小さなオブジェクト検出のためにYOLOv5とYOLOXモデルをベンチマークすることを目的としている。 スライスされた微調整とスライスされた推論が組み合わさって全てのモデルに大幅な改善をもたらした。
  論文  参考訳（メタデータ） (2022-03-09T15:24:30Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)

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。