論文の概要: Confidence Aware SSD Ensemble with Weighted Boxes Fusion for Weapon Detection

• arxiv url: http://arxiv.org/abs/2509.23697v1
• Date: Sun, 28 Sep 2025 07:08:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.38445
• Title: Confidence Aware SSD Ensemble with Weighted Boxes Fusion for Weapon Detection
• Title（参考訳）: ウエポン検出のための軽量ボックス融合を用いたSSDアンサンブルの信頼性
• Authors: Atharva Jadhav, Arush Karekar, Manas Divekar, Shachi Natu,
• Abstract要約: 公共空間の安全と安全は極めて重要であり、兵器を正確に検出できる高度な監視システムの必要性を招いている。 単一モデル検出器は先進的であるが、困難な条件下では堅牢性に欠けることが多い。 本稿では,多様な特徴抽出バックボーンを持つシングルショットマルチボックス検出器(SSD)モデルのアンサンブルにより,検出の堅牢性を大幅に向上できるという仮説を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The safety and security of public spaces is of vital importance, driving the need for sophisticated surveillance systems capable of accurately detecting weapons, which are often hampered by issues like partial occlusion, varying lighting, and cluttered backgrounds. While single-model detectors are advanced, they often lack robustness in these challenging conditions. This paper presents the hypothesis that ensemble of Single Shot Multibox Detector (SSD) models with diverse feature extraction backbones can significantly enhance detection robustness. To leverage diverse feature representations, individual SSD models were trained using a selection of backbone networks: VGG16, ResNet50, EfficientNet, and MobileNetV3. The study is conducted on a dataset consisting of images of three distinct weapon classes: guns, heavy weapons and knives. The predictions from these models are combined using the Weighted Boxes Fusion (WBF) method, an ensemble technique designed to optimize bounding box accuracy. Our key finding is that the fusion strategy is as critical as the ensemble's diversity, a WBF approach using a 'max' confidence scoring strategy achieved a mean Average Precision (mAP) of 0.838. This represents a 2.948% relative improvement over the best-performing single model and consistently outperforms other fusion heuristics. This research offers a robust approach to enhancing real-time weapon detection capabilities in surveillance applications by demonstrating that confidence-aware fusion is a key mechanism for improving accuracy metrics of ensembles.
• Abstract（参考訳）: 公共空間の安全と安全は極めて重要であり、兵器を正確に検出できる高度な監視システムの必要性が強まっている。 単一モデル検出器は先進的であるが、これらの困難な条件下では堅牢性に欠けることが多い。 本稿では,多様な特徴抽出バックボーンを持つシングルショットマルチボックス検出器(SSD)モデルのアンサンブルにより,検出の堅牢性を大幅に向上できるという仮説を提案する。 多様な特徴表現を活用するために、個々のSSDモデルは、VGG16、ResNet50、EfficientNet、MobileNetV3といったバックボーンネットワークを使用して訓練された。 この研究は、銃、重火器、ナイフの3つの異なる武器クラスの画像からなるデータセットに基づいて行われた。 これらのモデルからの予測は、バウンディングボックスの精度を最適化するために設計されたアンサンブル技術であるWeighted Boxes Fusion (WBF) 法と組み合わせられる。 我々の重要な発見は、融合戦略がアンサンブルの多様性と同じくらい重要であり、「最大」信頼度評価戦略を用いたWBFアプローチが平均平均精度(mAP)0.838を達成したことである。 これは最も優れた単一モデルよりも2.948%の相対的な改善であり、他の融合ヒューリスティックよりも一貫して優れている。 本研究は、アンサンブルの精度測定値を改善するための重要なメカニズムとして、信頼を意識した融合が重要であることを示すことによって、監視アプリケーションにおけるリアルタイム兵器検出能力を高めるための堅牢なアプローチを提供する。

関連論文リスト

• Cross-Domain Malware Detection via Probability-Level Fusion of Lightweight Gradient Boosting Models [0.0]
  本稿では,3つの異なるデータセットにまたがる確率レベル融合を利用したマルウェア検出のための新しいフレームワークを提案する。 提案手法は,各データセット上で個々のLightGBM分類器を訓練し,効率性を確保するために最上位の予測特徴を選択し,グリッドサーチによって決定された最適化重みを用いて予測確率を融合する。 実験により,我々の融合アプローチは,ドメイン間検証セット上で0.823のマクロF1スコアを実現し,個々のモデルよりも大幅に優れ,より優れた一般化を提供することを示した。
  論文  参考訳（メタデータ） (2025-08-30T12:18:13Z)
• An Optimal Cascade Feature-Level Spatiotemporal Fusion Strategy for Anomaly Detection in CAN Bus [2.8151714475955263]
  インテリジェントトランスポートシステム(ITS)は、現代のインフラにおいて重要な役割を担っているが、車内コントローラエリアネットワーク(CAN)バスの放送特性により、セキュリティ上のリスクに直面している。 提案したフレームワークは、100%精度で全ての攻撃タイプを検出し、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-01-31T00:36:08Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• Fusion is Not Enough: Single Modal Attacks on Fusion Models for 3D Object Detection [33.0406308223244]
  本稿では,高度なカメラ-LiDAR融合型3次元物体検出モデルを対象として,カメラ専用対向攻撃による攻撃フレームワークを提案する。 提案手法では,2段階の最適化手法を用いて,まず,敵対的攻撃下での脆弱な画像領域を徹底的に評価する。
  論文  参考訳（メタデータ） (2023-04-28T03:39:00Z)
• MSMDFusion: Fusing LiDAR and Camera at Multiple Scales with Multi-Depth Seeds for 3D Object Detection [89.26380781863665]
  自律運転システムにおける高精度で信頼性の高い3次元物体検出を実現するためには,LiDARとカメラ情報の融合が不可欠である。 近年のアプローチでは、2次元カメラ画像の3次元空間への昇華点によるカメラ特徴のセマンティックな密度の探索が試みられている。 マルチグラニュラリティLiDARとカメラ機能とのマルチスケールなプログレッシブインタラクションに焦点を当てた,新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-07T12:29:29Z)
• Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
  我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。 我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。 このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
  論文  参考訳（メタデータ） (2021-04-07T04:03:20Z)
• Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
  深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。 本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
  論文  参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。