論文の概要: YolovN-CBi: A Lightweight and Efficient Architecture for Real-Time Detection of Small UAVs
- arxiv url: http://arxiv.org/abs/2512.18046v1
- Date: Fri, 19 Dec 2025 20:27:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.16655
- Title: YolovN-CBi: A Lightweight and Efficient Architecture for Real-Time Detection of Small UAVs
- Title（参考訳）: YolovN-CBi:小型UAVのリアルタイム検出のための軽量かつ効率的なアーキテクチャ
- Authors: Ami Pandat, Punna Rajasekhar, Gopika Vinod, Rohit Shukla,
- Abstract要約: 無人航空機(UAV)は、民間と防衛の状況においてリスクを増大させる。
ドローンを検知することは 困難だ 大きさが小さく 動きが速い 視界のコントラストが低い
YolovN-CBiと呼ばれる改良されたYolovNアーキテクチャは、小さな物体検出に対する感度を改善するために提案されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmanned Aerial Vehicles, commonly known as, drones pose increasing risks in civilian and defense settings, demanding accurate and real-time drone detection systems. However, detecting drones is challenging because of their small size, rapid movement, and low visual contrast. A modified architecture of YolovN called the YolovN-CBi is proposed that incorporates the Convolutional Block Attention Module (CBAM) and the Bidirectional Feature Pyramid Network (BiFPN) to improve sensitivity to small object detections. A curated training dataset consisting of 28K images is created with various flying objects and a local test dataset is collected with 2500 images consisting of very small drone objects. The proposed architecture is evaluated on four benchmark datasets, along with the local test dataset. The baseline Yolov5 and the proposed Yolov5-CBi architecture outperform newer Yolo versions, including Yolov8 and Yolov12, in the speed-accuracy trade-off for small object detection. Four other variants of the proposed CBi architecture are also proposed and evaluated, which vary in the placement and usage of CBAM and BiFPN. These variants are further distilled using knowledge distillation techniques for edge deployment, using a Yolov5m-CBi teacher and a Yolov5n-CBi student. The distilled model achieved a mA@P0.5:0.9 of 0.6573, representing a 6.51% improvement over the teacher's score of 0.6171, highlighting the effectiveness of the distillation process. The distilled model is 82.9% faster than the baseline model, making it more suitable for real-time drone detection. These findings highlight the effectiveness of the proposed CBi architecture, together with the distilled lightweight models in advancing efficient and accurate real-time detection of small UAVs.
- Abstract（参考訳）: 無人航空機(Unmanned Aerial Vehicles, 通称: 無人航空機)は、民間および防衛設定において、正確なリアルタイムドローン検知システムを要求するリスクが増大する。
しかし、小型化、高速移動、低視界コントラストのため、ドローンの検出は困難である。
YolovNのアーキテクチャを改良したYolovN-CBiは、CBAM(Convolutional Block Attention Module)とBidirectional Feature Pyramid Network(BiFPN)を統合して、小さな物体検出に対する感度を向上させる。
様々な飛行物体で28K画像からなる訓練データセットを作成し、非常に小さなドローン物体からなる2500枚の画像で局所的なテストデータセットを収集する。
提案したアーキテクチャは、ローカルテストデータセットとともに、4つのベンチマークデータセットで評価される。
ベースラインのYolov5と提案されたYolov5-CBiアーキテクチャは、Yolov8やYolov12など、より新しいYoloバージョンより優れている。
CBAM と BiFPN の配置や使用方法が異なる CBi アーキテクチャの他の4つのバリエーションも提案・評価されている。
これらの変種は、ヨロフ5m-CBi教師とヨーロフ5n-CBi学生を用いて、エッジ展開のための知識蒸留技術を用いてさらに蒸留される。
蒸留モデルは0.6573のmA@P0.5:0.9を達成し、教師の0.6171よりも6.51%改善し、蒸留プロセスの有効性を強調した。
蒸留されたモデルはベースラインモデルよりも82.9%速く、リアルタイムドローン検出に適している。
これらの結果は,小型UAVの高効率かつ高精度なリアルタイム検出を実現するために,提案したCBiアーキテクチャと,蒸留された軽量モデルの有効性を浮き彫りにした。
関連論文リスト
- Enhancing Small Object Detection with YOLO: A Novel Framework for Improved Accuracy and Efficiency [0.0]
本稿では,大規模空中画像における小型物体の検出手法について検討・開発する。
我々は,小型物体検出において,刈り取り寸法を改良し,スライディングウインドウ使用時の重なりを改良し,その速度と精度を向上させるため,ベースSW-YOLO手法を採用した。
本稿では,特徴マップの強化のために,特徴抽出モジュールを首に組み込んだ基本モデルアーキテクチャを改良した新しいモデルを提案する。
我々は,大規模画像処理の最も強力なフレームワークであるSAHIと,画像トリミングにもとづくCZDetを比較し,精度を大幅に向上させた。
論文 参考訳（メタデータ） (2025-12-08T10:15:21Z) - YOLOv11-Litchi: Efficient Litchi Fruit Detection based on UAV-Captured Agricultural Imagery in Complex Orchard Environments [6.862722449907841]
本稿では,UAVを用いたリッチ検出のための軽量で堅牢な検出モデルであるYOLOv11-Litchiを紹介する。
YOLOv11-Litchiのパラメータサイズは6.35MBで、YOLOv11ベースラインよりも32.5%小さい。
このモデルは57.2FPSのフレームレートを実現し、リアルタイム検出要求を満たす。
論文 参考訳（メタデータ） (2025-10-11T09:44:00Z) - EMOv2: Pushing 5M Vision Model Frontier [92.21687467702972]
様々な下流タスクにおいて,5M級軽量モデルの新たなフロンティアを構築した。
我々の研究は、Transformerにおける効率的なIRBと実用的なコンポーネントの軽量なインフラを再考する。
4G/5G帯でモデルをダウンロードする場合のモバイルユーザの遅延を考慮し,5M程度の軽量モデルの性能上限について検討する。
論文 参考訳（メタデータ） (2024-12-09T17:12:22Z) - Deep Learning Models for UAV-Assisted Bridge Inspection: A YOLO Benchmark Analysis [0.41942958779358674]
最新の4種類のYOLO(YOLOv5, YOLOv6, YOLOv7, YOLOv8)に属する23のモデルをベンチマークする。
精度と処理速度の最適なバランスを提供するモデルとして, YOLOv8n, YOLOv7tiny, YOLOv6m, YOLOv6mを同定した。
その結果,UAVのモデル選択プロセスが促進され,より効率的で信頼性の高い橋梁検査が可能となった。
論文 参考訳（メタデータ） (2024-11-07T07:03:40Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - From Blurry to Brilliant Detection: YOLO-Based Aerial Object Detection with Super Resolution [3.5044007821404635]
空中物体検出は、小さな物体の大きさ、高密度クラスタリング、距離や動きのぼかしによる画質劣化などの課題を提示する。
B2BDetは、推論中にドメイン固有の超解像を適用し、拡張されたYOLOv5アーキテクチャを使って検出する2段階のフレームワークでこの問題に対処する。
このアプローチは、航空最適化SRGAN微調整とEAM(Efficient Attention Module)やCLFPN(Cross-Layer Feature Pyramid Network)といったアーキテクチャ革新を組み合わせる。
論文 参考訳（メタデータ） (2024-01-26T05:50:58Z) - 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) - Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。
OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。
我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
論文 参考訳（メタデータ） (2022-12-26T12:49:47Z) - EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。
本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。
特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
論文 参考訳（メタデータ） (2022-03-21T05:56:12Z) - 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)
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。