Fugu-MT 論文翻訳(概要): Wind Turbine Feature Detection Using Deep Learning and Synthetic Data

論文の概要: Wind Turbine Feature Detection Using Deep Learning and Synthetic Data

arxiv url: http://arxiv.org/abs/2507.21611v1
Date: Tue, 29 Jul 2025 09:06:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-30 17:08:55.960204
Title: Wind Turbine Feature Detection Using Deep Learning and Synthetic Data
Title（参考訳）: 深層学習と合成データを用いた風力発電の特徴検出
Authors: Arash Shahirpour, Jakob Gebler, Manuel Sanders, Tim Reuscher,
Abstract要約: 本研究では,視覚的・環境的要因の制御可能な合成学習データを生成する手法を提案する。改良された損失関数を持つ合成WT画像のみに基づくYOLOv11特徴検出ネットワークを訓練する。得られたネットワークは、合成画像と実世界のWT画像の両方を用いて評価され、有望な性能を示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For the autonomous drone-based inspection of wind turbine (WT) blades, accurate detection of the WT and its key features is essential for safe drone positioning and collision avoidance. Existing deep learning methods typically rely on manually labeled real-world images, which limits both the quantity and the diversity of training datasets in terms of weather conditions, lighting, turbine types, and image complexity. In this paper, we propose a method to generate synthetic training data that allows controlled variation of visual and environmental factors, increasing the diversity and hence creating challenging learning scenarios. Furthermore, we train a YOLOv11 feature detection network solely on synthetic WT images with a modified loss function, to detect WTs and their key features within an image. The resulting network is evaluated both using synthetic images and a set of real-world WT images and shows promising performance across both synthetic and real-world data, achieving a Pose mAP50-95 of 0.97 on real images never seen during training.
Abstract（参考訳）: 自律型ドローンによる風力タービン(WT)ブレードの検査では、WTの正確な検出とその重要な特徴は、安全なドローンの位置決めと衝突回避に不可欠である。既存のディープラーニング手法は通常、手動でラベル付けされた実世界のイメージに依存しており、天候条件、照明、タービンタイプ、画像の複雑さの観点からトレーニングデータセットの量と多様性の両方を制限している。本稿では,視覚的・環境的要因の変動を制御し,多様性を高め,挑戦的な学習シナリオを創出する合成学習データを生成する手法を提案する。さらに,改良された損失関数付き合成WT画像のみに基づくYOLOv11特徴検出ネットワークを訓練し,画像内のWTとその重要な特徴を検出する。得られたネットワークは、合成画像と実世界のWT画像の両方を用いて評価され、合成データと実世界のデータの両方で有望な性能を示し、トレーニング中に見たことのない実画像に対して0.97のPose mAP50-95を達成する。

関連論文リスト

Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
論文参考訳（メタデータ） (2025-04-14T07:24:03Z)
Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文参考訳（メタデータ） (2024-11-28T13:04:45Z)
WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning [17.129068060454255]
自律運転や監視といったアプリケーションには、単一イメージのデハジングが不可欠だ。コントラスト損失と離散ウェーブレット変換を統合した半教師付きデハージングネットワークを提案する。提案アルゴリズムは,最先端の単一画像復調法と比較して,優れた性能とロバスト性を実現している。
論文参考訳（メタデータ） (2024-10-07T05:36:11Z)
Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
論文参考訳（メタデータ） (2024-08-13T09:01:12Z)
Training Deep Learning Models with Hybrid Datasets for Robust Automatic Target Detection on real SAR images [0.13194391758295113]
そこで本研究では,MOCEMシミュレータを用いて合成目標シグネチャを用いたATDモデルの学習手法を提案する。我々は、合成データと実データの間の領域ギャップを埋めるために特別に調整されたATDモデルを訓練する。我々のアプローチは、トレーニングに人工目標のみを使用しながら、実データ上で平均精度の90%に達することができる。
論文参考訳（メタデータ） (2024-05-15T09:26:24Z)
SynFog: A Photo-realistic Synthetic Fog Dataset based on End-to-end Imaging Simulation for Advancing Real-World Defogging in Autonomous Driving [48.27575423606407]
フォトリアリスティックな霧画像を生成するために,エンド・ツー・エンドのシミュレーションパイプラインを導入する。我々は、スカイライトとアクティブな照明条件の両方を特徴とするSynFogという新しい合成霧データセットを提案する。実験の結果,SynFogで訓練したモデルでは,視覚知覚と検出精度が優れていた。
論文参考訳（メタデータ） (2024-03-25T18:32:41Z)
Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文参考訳（メタデータ） (2023-08-31T04:58:17Z)
Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文参考訳（メタデータ） (2023-07-20T05:49:21Z)
PennSyn2Real: Training Object Recognition Models without Human Labeling [12.923677573437699]
我々はPennSyn2Realを提案する。20種類以上のマイクロエアロビー(MAV)の10万以上の4K画像からなる合成データセットである。このデータセットは、MAV検出や分類などのハイレベルコンピュータビジョンタスクのための任意の数のトレーニングイメージを生成するために使用することができる。このフレームワークを用いて生成された合成データは,検出やセグメンテーションといった一般的なオブジェクト認識タスクに対して,CNNモデルをトレーニングするために直接利用できることを示す。
論文参考訳（メタデータ） (2020-09-22T02:53:40Z)
Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-10T00:33:18Z)
Can Synthetic Data Improve Object Detection Results for Remote Sensing Images? [15.466412729455874]
本稿では,リモートセンシング画像航空機検出の性能向上のために,広域分布のリアルな合成データの利用を提案する。レンダリング中に、インスタンスのサイズや背景画像のクラスなど、パラメータをランダムに設定します。合成画像をよりリアルにするために,CycleGANと実際の未ラベル画像を用いて,画素レベルで合成画像を洗練する。
論文参考訳（メタデータ） (2020-06-09T02:23:22Z)

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。