論文の概要: Reducing the gap between general purpose data and aerial images in concentrated solar power plants

• arxiv url: http://arxiv.org/abs/2508.00440v1
• Date: Fri, 01 Aug 2025 08:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.805358
• Title: Reducing the gap between general purpose data and aerial images in concentrated solar power plants
• Title（参考訳）: 集光発電プラントにおける汎用データと航空画像のギャップ低減
• Authors: M. A. Pérez-Cutiño, J. Valverde, J. Capitán, J. M. Díaz-Báñez,
• Abstract要約: 本稿では,CSPプラントの空中検査のための高品質な合成データセットであるAerialCSPを紹介する。 我々は、AerialCSP上で複数のモデルをベンチマークし、CSP関連視覚タスクのベースラインを確立する。 我々は,AerialCSPの事前トレーニングにより,実世界の故障検出が大幅に改善されることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the context of Concentrated Solar Power (CSP) plants, aerial images captured by drones present a unique set of challenges. Unlike urban or natural landscapes commonly found in existing datasets, solar fields contain highly reflective surfaces, and domain-specific elements that are uncommon in traditional computer vision benchmarks. As a result, machine learning models trained on generic datasets struggle to generalize to this setting without extensive retraining and large volumes of annotated data. However, collecting and labeling such data is costly and time-consuming, making it impractical for rapid deployment in industrial applications. To address this issue, we propose a novel approach: the creation of AerialCSP, a virtual dataset that simulates aerial imagery of CSP plants. By generating synthetic data that closely mimic real-world conditions, our objective is to facilitate pretraining of models before deployment, significantly reducing the need for extensive manual labeling. Our main contributions are threefold: (1) we introduce AerialCSP, a high-quality synthetic dataset for aerial inspection of CSP plants, providing annotated data for object detection and image segmentation; (2) we benchmark multiple models on AerialCSP, establishing a baseline for CSP-related vision tasks; and (3) we demonstrate that pretraining on AerialCSP significantly improves real-world fault detection, particularly for rare and small defects, reducing the need for extensive manual labeling. AerialCSP is made publicly available at https://mpcutino.github.io/aerialcsp/.
• Abstract（参考訳）: 集光ソーラーパワー(CSP)プラントの状況では、ドローンが捉えた空中画像には、ユニークな課題がいくつかある。 既存のデータセットでよく見られる都市や自然の風景とは異なり、ソーラーフィールドは反射率の高い表面と、伝統的なコンピュータビジョンベンチマークでは珍しい領域固有の要素を含んでいる。 その結果、汎用データセットでトレーニングされた機械学習モデルは、大規模な再トレーニングや大量の注釈付きデータなしで、この設定に一般化するのに苦労する。 しかし、そのようなデータの収集とラベル付けはコストと時間を要するため、産業アプリケーションへの迅速な展開には実用的ではない。 この問題に対処するため、我々は、CSP植物の空中イメージをシミュレートする仮想データセットであるAerialCSPの作成という、新しいアプローチを提案する。 実世界の条件を忠実に模倣する合成データを生成することにより、デプロイ前のモデルの事前訓練を容易にし、広範囲な手動ラベリングの必要性を大幅に低減することを目的としている。 主な貢献は,(1)CSP植物を航空検査するための高品質な合成データセットであるAerialCSPを導入し,オブジェクト検出と画像セグメンテーションのための注釈付きデータを提供し,(2)AerialCSP上で複数のモデルをベンチマークし,CSP関連ビジョンタスクのベースラインを確立すること,(3)AerialCSPの事前トレーニングが,特に稀な欠陥や小さな欠陥に対して,現実世界の欠陥検出を大幅に改善し,広範囲な手動ラベリングの必要性を低減できること,の3つである。 AerialCSPはhttps://mpcutino.github.io/aerialcsp/で公開されている。

関連論文リスト

• Unlocking Thermal Aerial Imaging: Synthetic Enhancement of UAV Datasets [1.2289361708127877]
  本稿では,空中から合成熱画像を生成するための新しいプロシージャパイプラインを提案する。 本手法は、任意のオブジェクトクラスを既存の熱背景に統合する。 熱検出器は可視光照射された検出器よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-09T12:34:56Z)
• Data Augmentation and Resolution Enhancement using GANs and Diffusion Models for Tree Segmentation [49.13393683126712]
  都市森林は、環境の質を高め、都市における生物多様性を支援する上で重要な役割を担っている。 複雑な地形と異なる衛星センサーやUAV飛行高度による画像解像度の変化により、正確に木を検知することは困難である。 低解像度空中画像の品質を高めるため,GANと拡散モデルとドメイン適応を統合した新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-21T03:57:10Z)
• AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
  本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。 擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。 このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-04-17T17:57:05Z)
• Towards Realistic Low-Light Image Enhancement via ISP Driven Data Modeling [61.95831392879045]
  深部ニューラルネットワーク(DNN)は近年,低照度画像強調(LLIE)の先導手法となっている。 大幅な進歩にもかかわらず、彼らの出力は、増幅ノイズ、誤ったホワイトバランス、または現実世界のアプリケーションに展開する際の不自然な拡張のような問題を示す可能性がある。 重要な課題は、低照度条件と撮像パイプラインの複雑さを捉える多様な大規模トレーニングデータの欠如である。 本稿では,この課題に対処し,無制限にペア化されたトレーニングデータを生成する,新しい画像信号処理(ISP)駆動型データ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-04-16T15:53:53Z)
• Creating and Leveraging a Synthetic Dataset of Cloud Optical Thickness Measures for Cloud Detection in MSI [3.4764766275808583]
  雲の形成は、しばしば地球の地表を観測する光学衛星による不明瞭な観測である。 雲の光学的厚さ推定のための新しい合成データセットを提案する。 信頼性と汎用性を備えたクラウドマスクを実データで取得するために活用する。
  論文  参考訳（メタデータ） (2023-11-23T14:28:28Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• LARD - Landing Approach Runway Detection -- Dataset for Vision Based Landing [2.7400353551392853]
  本稿では,接近・着陸時の滑走路検出のための高品質な空中画像のデータセットを提案する。 データセットの大部分は合成画像で構成されていますが、実際の着陸映像から手動でラベル付けされた画像も提供しています。 このデータセットは、データセットの品質の分析や、検出タスクに対処するモデルの開発など、さらなる研究の道を開く。
  論文  参考訳（メタデータ） (2023-04-05T08:25:55Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• Improving Astronomical Time-series Classification via Data Augmentation with Generative Adversarial Networks [1.2891210250935146]
  本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。 変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
  論文  参考訳（メタデータ） (2022-05-13T16:39:54Z)
• AirDet: Few-Shot Detection without Fine-tuning for Autonomous Exploration [16.032316550612336]
  本稿では,支援画像とのクラス関係の学習による微調整が不要なAirDetを提案する。 AirDetは、徹底的に微調整された方法と同等またはそれ以上の結果を達成し、ベースラインで最大40～60%の改善を実現している。 DARPA潜水試験における実地探査実験の評価結果について述べる。
  論文  参考訳（メタデータ） (2021-12-03T06:41:07Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。