論文の概要: Exploring Syn-to-Real Domain Adaptation for Military Target Detection

• arxiv url: http://arxiv.org/abs/2512.23208v1
• Date: Mon, 29 Dec 2025 05:05:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.406456
• Title: Exploring Syn-to-Real Domain Adaptation for Military Target Detection
• Title（参考訳）: 軍事目標検出のための同期型ドメイン適応の探索
• Authors: Jongoh Jeong, Youngjin Oh, Gyeongrae Nam, Jeongeun Lee, Kuk-Jin Yoon,
• Abstract要約: 本稿では,写真リアリスティックなビジュアルツールUnreal Engineを用いて,RGBベースの合成データを生成し,クロスドメイン環境での軍事目標検出を提案する。 我々は、提案した列車価データセットペアの監督度によって区別される最先端領域適応手法をベンチマークする。 画像上の最小のヒント(オブジェクトクラスなど)を用いた現在のメソッドは、教師なしあるいは半教師なしDAメソッドよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 43.713883705598256
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object detection is one of the key target tasks of interest in the context of civil and military applications. In particular, the real-world deployment of target detection methods is pivotal in the decision-making process during military command and reconnaissance. However, current domain adaptive object detection algorithms consider adapting one domain to another similar one only within the scope of natural or autonomous driving scenes. Since military domains often deal with a mixed variety of environments, detecting objects from multiple varying target domains poses a greater challenge. Several studies for armored military target detection have made use of synthetic aperture radar (SAR) data due to its robustness to all weather, long range, and high-resolution characteristics. Nevertheless, the costs of SAR data acquisition and processing are still much higher than those of the conventional RGB camera, which is a more affordable alternative with significantly lower data processing time. Furthermore, the lack of military target detection datasets limits the use of such a low-cost approach. To mitigate these issues, we propose to generate RGB-based synthetic data using a photorealistic visual tool, Unreal Engine, for military target detection in a cross-domain setting. To this end, we conducted synthetic-to-real transfer experiments by training our synthetic dataset and validating on our web-collected real military target datasets. We benchmark the state-of-the-art domain adaptation methods distinguished by the degree of supervision on our proposed train-val dataset pair, and find that current methods using minimal hints on the image (e.g., object class) achieve a substantial improvement over unsupervised or semi-supervised DA methods. From these observations, we recognize the current challenges that remain to be overcome.
• Abstract（参考訳）: 物体検出は、民間および軍事的応用の文脈における重要な目標課題の1つである。 特に、目標検出手法の現実的な展開は、軍事指揮と偵察における意思決定プロセスにおいて重要である。 しかしながら、現在のドメイン適応オブジェクト検出アルゴリズムは、自然または自律的な運転シーンの範囲内でのみ、あるドメインを他のドメインに適応させることを検討する。 軍事ドメインは多種多様な環境を扱うことが多いため、複数の異なるターゲットドメインから物体を検出することは大きな課題となる。 装甲軍事目標検出のためのいくつかの研究は、すべての天候、長距離、高解像度特性に対する堅牢性から合成開口レーダ(SAR)データを利用した。 それでも、SARデータ取得と処理のコストは、従来のRGBカメラよりもはるかに高い。 さらに、軍事目標検出データセットの欠如は、このような低コストなアプローチの使用を制限する。 これらの問題を緩和するために,光リアルなビジュアルツールUnreal Engineを用いてRGBベースの合成データを生成し,クロスドメイン環境での軍事目標検出を提案する。 この目的のために、我々は、合成データセットをトレーニングし、Webで収集した実際の軍事目標データセット上で検証することで、合成から現実への移動実験を行った。 提案する列車速度データセットペアの監督度によって区別される最先端領域適応手法をベンチマークし、画像上の最小のヒント(例えばオブジェクトクラス)を用いた現在の手法が、教師なしまたは半教師なしDA法よりも大幅に改善されていることを確認する。 これらの観察から、克服すべき現在の課題を認識します。

関連論文リスト

• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• Vision-Based Detection of Uncooperative Targets and Components on Small Satellites [6.999319023465766]
  宇宙デブリと不活性衛星は、運用宇宙船の安全性と完全性に脅威をもたらす。 コンピュータビジョンモデルの最近の進歩は、そのような非協調的な目標を追跡する既存の方法を改善するために利用することができる。 本稿では,これらの物体を学習とコンピュータビジョンを用いて識別・監視する自律検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-22T02:48:13Z)
• FlightScope: An Experimental Comparative Review of Aircraft Detection Algorithms in Satellite Imagery [2.9687381456164004]
  本稿では,衛星画像中の航空機を識別するタスク用にカスタマイズされた,高度な物体検出アルゴリズム群を批判的に評価し,比較する。 この研究は、YOLOバージョン5と8、より高速なRCNN、CenterNet、RetinaNet、RTMDet、DETRを含む一連の方法論を含む。 YOLOv5は空中物体検出のための堅牢なソリューションとして登場し、平均的精度、リコール、ユニオンのスコアに対するインターセクションによってその重要性を裏付けている。
  論文  参考訳（メタデータ） (2024-04-03T17:24:27Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
  赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。 既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
  論文  参考訳（メタデータ） (2021-10-07T02:28:18Z)
• Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
  変換器を用いた赤外線小径目標検出手法を提案する。 画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。 最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
  論文  参考訳（メタデータ） (2021-09-29T12:23:41Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)

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。