Fugu-MT 論文翻訳(概要): Tracking Moose using Aerial Object Detection

論文の概要: Tracking Moose using Aerial Object Detection

arxiv url: http://arxiv.org/abs/2507.21256v1
Date: Mon, 28 Jul 2025 18:19:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-30 17:08:55.170041
Title: Tracking Moose using Aerial Object Detection
Title（参考訳）: 空中物体検出による追跡ムース
Authors: Christopher Indris, Raiyan Rahman, Goetz Bramesfeld, Guanghui Wang,
Abstract要約: 本稿では,各種設定下でのモデル性能の研究のために,データセットへのパッチの適用について述べる。このデータを用いて、一般的な3つの多種多様なオブジェクト検出器の比較研究を行った。解析によると、より高速でシンプルなモデルは、このタスクにより多くの計算能力を必要とするモデルと同じくらい効果的である。
参考スコア（独自算出の注目度）: 4.4048801693309825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Aerial wildlife tracking is critical for conservation efforts and relies on detecting small objects on the ground below the aircraft. It presents technical challenges: crewed aircraft are expensive, risky and disruptive; autonomous drones have limited computational capacity for onboard AI systems. Since the objects of interest may appear only a few pixels wide, small object detection is an inherently challenging computer vision subfield compounded by computational efficiency needs. This paper applies a patching augmentation to datasets to study model performance under various settings. A comparative study of three common yet architecturally diverse object detectors is conducted using the data, varying the patching method's hyperparameters against detection accuracy. Each model achieved at least 93\% mAP@IoU=0.5 on at least one patching configuration. Statistical analyses provide an in-depth commentary on the effects of various factors. Analysis also shows that faster, simpler models are about as effective as models that require more computational power for this task and perform well given limited patch scales, encouraging UAV deployment. Datasets and models will be made available via https://github.com/chrisindris/Moose.
Abstract（参考訳）: 航空野生生物の追跡は保存活動にとって重要であり、航空機の下の地上で小さな物体を検出することに依存している。有人航空機は高価でリスクが高く破壊的であり、自律型ドローンは搭載AIシステムの計算能力に制限がある。興味のある物体はわずか数ピクセルにしか見えないため、小さな物体検出は計算効率が要求されるコンピュータビジョンのサブフィールドとして本質的に困難である。本稿では,各種設定下でのモデル性能の研究のために,データセットへのパッチの適用について述べる。データを用いて、一般的な3つの多様なオブジェクト検出器の比較研究を行い、検出精度に対してパッチ方式のハイパーパラメータを変化させた。各モデルは、少なくとも1つのパッチ構成で、少なくとも 93 % mAP@IoU=0.5 を達成する。統計分析は、様々な要因の影響について詳細な解説を提供する。分析によれば、より高速でシンプルなモデルは、このタスクにより多くの計算能力を必要とし、与えられた限られたパッチスケールを実行し、UAVデプロイメントを促進するモデルと同じくらい効果的である。データセットとモデルはhttps://github.com/chrisindris/Moose.comから利用可能になる。

関連論文リスト

Bootstrapping Corner Cases: High-Resolution Inpainting for Safety Critical Detect and Avoid for Automated Flying [9.694804791791588]
本稿では,自動飛行中の航空交通を安全のために検出するドローンの安全クリティカル機能である検出・回避のための物体検出について述べる。ほとんどのモデルは、航空交通の記録や小型機による正面飛行など、生データにおける地上の真実の制限に悩まされている。我々は、インペイント手法を用いてデータセットをブートストラップし、生データのコーナーケースを明示的に含むことで、この問題を克服する。
論文参考訳（メタデータ） (2025-01-14T14:21:48Z)
RemDet: Rethinking Efficient Model Design for UAV Object Detection [12.652666443395528]
無人航空機(UAV)画像における物体検出は研究の焦点領域として現れている。現在のリアルタイム物体検出器は、UAV画像に最適化されていない。これらの課題に対処するために,新しい検出器RemDetを提案する。
論文参考訳（メタデータ） (2024-12-13T11:00:57Z)
Boost UAV-based Ojbect Detection via Scale-Invariant Feature Disentanglement and Adversarial Learning [18.11107031800982]
本稿では,スケール不変の特徴を学習することで,単段階推論の精度を向上させることを提案する。提案手法は,モデル精度を効果的に向上し,2つのデータセット上での最先端(SoTA)性能を実現する。
論文参考訳（メタデータ） (2024-05-24T11:40:22Z)
Visible and Clear: Finding Tiny Objects in Difference Map [50.54061010335082]
本稿では,検出モデルに自己再構成機構を導入し,それと微小物体との強い相関関係を明らかにする。具体的には、再構成画像と入力の差分マップを構築して、検出器の首の内側に再構成ヘッドを配置し、小さな物体に対して高い感度を示す。さらに、小さな特徴表現をより明確にするために、差分マップガイド機能拡張(DGFE)モジュールを開発する。
論文参考訳（メタデータ） (2024-05-18T12:22:26Z)
SOAR: Advancements in Small Body Object Detection for Aerial Imagery Using State Space Models and Programmable Gradients [0.8873228457453465]
空中画像における小さな物体検出は、コンピュータビジョンにおいて重要な課題である。トランスフォーマーベースのモデルを用いた従来の手法は、特殊データベースの欠如に起因する制限に直面していることが多い。本稿では,小型空中物体の検出とセグメンテーション機能を大幅に向上する2つの革新的なアプローチを紹介する。
論文参考訳（メタデータ） (2024-05-02T19:47:08Z)
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)
Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
論文参考訳（メタデータ） (2023-02-08T07:11:36Z)
CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文参考訳（メタデータ） (2022-06-09T09:17:38Z)
Analysis and Adaptation of YOLOv4 for Object Detection in Aerial Images [0.0]
本研究は,空中画像中の物体とその位置を予測するためのYOLOv4フレームワークの適応性を示す。トレーニングされたモデルは平均的な平均精度(mAP)が45.64%となり、推論速度はTesla K80 GPUで8.7FPSに達した。いくつかの現代の空中物体検出器との比較研究により、YOLOv4はより優れた性能を示し、航空プラットフォームに組み込むのにより適した検出アルゴリズムが示唆された。
論文参考訳（メタデータ） (2022-03-18T23:51:09Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文参考訳（メタデータ） (2020-10-02T13:59:05Z)

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。