論文の概要: Enhancing YOLOv11n for Reliable Child Detection in Noisy Surveillance Footage

• arxiv url: http://arxiv.org/abs/2602.10592v1
• Date: Wed, 11 Feb 2026 07:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.535487
• Title: Enhancing YOLOv11n for Reliable Child Detection in Noisy Surveillance Footage
• Title（参考訳）: ノイズサーベイランスフットジュにおける信頼子検出のためのYOLOv11nの強化
• Authors: Khanh Linh Tran, Minh Nguyen Dang, Thien Nguyen Trong, Hung Nguyen Quoc, Linh Nguyen Kieu,
• Abstract要約: 本稿では,低品質監視映像における子検出の実用的で軽量な方法を提案する。 効率的なYOLOv11nアーキテクチャを基盤として,困難条件下での検知を改善するデプロイメント対応パイプラインを提案する。 パイプライン全体が低消費電力エッジデバイスとの互換性を維持し、リアルタイムのパフォーマンスをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a practical and lightweight solution for enhancing child detection in low-quality surveillance footage, a critical component in real-world missing child alert and daycare monitoring systems. Building upon the efficient YOLOv11n architecture, we propose a deployment-ready pipeline that improves detection under challenging conditions including occlusion, small object size, low resolution, motion blur, and poor lighting commonly found in existing CCTV infrastructures. Our approach introduces a domain-specific augmentation strategy that synthesizes realistic child placements using spatial perturbations such as partial visibility, truncation, and overlaps, combined with photometric degradations including lighting variation and noise. To improve recall of small and partially occluded instances, we integrate Slicing Aided Hyper Inference (SAHI) at inference time. All components are trained and evaluated on a filtered, child-only subset of the Roboflow Daycare dataset. Compared to the baseline YOLOv11n, our enhanced system achieves a mean Average Precision at 0.5 IoU (mAP@0.5) of 0.967 and a mean Average Precision averaged over IoU thresholds from 0.5 to 0.95 (mAP@0.5:0.95) of 0.783, yielding absolute improvements of 0.7 percent and 2.3 percent, respectively, without architectural changes. Importantly, the entire pipeline maintains compatibility with low-power edge devices and supports real-time performance, making it particularly well suited for low-cost or resource-constrained industrial surveillance deployments. The example augmented dataset and the source code used to generate it are available at: https://github.com/html-ptit/Data-Augmentation-YOLOv11n-child-detection
• Abstract（参考訳）: 本稿では,低品質な監視映像における子ども検出の実用的で軽量なソリューションを提案する。 効率的なYOLOv11nアーキテクチャを基盤として,既存のCCTVインフラでよく見られる閉塞,小物体サイズ,低解像度,動作のぼやけ,照明不足など,困難な状況下での検知を改善するデプロイメント対応パイプラインを提案する。 提案手法では,空間的摂動(部分的可視性,乱れ,重なり合いなど)と光度劣化(照明変動,騒音など)を併用して,現実的な子配置を合成する。 Slicing Aided Hyper Inference(SAHI)を推論時に統合する。 すべてのコンポーネントは、Roboflow Daycareデータセットのフィルタされ、子のみのサブセットでトレーニングされ、評価される。 ベースラインのYOLOv11nに比べ、平均平均精度は0.967の0.5IoU(mAP@0.5)、平均平均精度は0.5から0.95(mAP@0.5:0.95)の0.783であり、それぞれ0.7%、平均精度は2.3%である。 重要なのは、パイプライン全体が低消費電力のエッジデバイスとの互換性を維持し、リアルタイムのパフォーマンスをサポートすることで、低コストまたはリソース制約の産業監視デプロイメントに特に適していることだ。 https://github.com/html-ptit/Data-Augmentation-YOLOv11n-子検出。

関連論文リスト

• N-EIoU-YOLOv9: A Signal-Aware Bounding Box Regression Loss for Lightweight Mobile Detection of Rice Leaf Diseases [0.6280530476948474]
  N EIoU YOLOv9は信号認識ボックス回帰損失に基づく軽量検出フレームワークである。 提案した損失は,非単調焦点と非結合幅と高さ最適化を組み合わせることで局所化勾配を推定する。 このデザインは農業病の画像でよく見られる小・低コントラストターゲットに対して特に有効である。
  論文  参考訳（メタデータ） (2026-01-14T05:13:36Z)
• Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
  フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。 本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。 不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
  論文  参考訳（メタデータ） (2026-01-02T09:16:55Z)
• Performance Optimization of YOLO-FEDER FusionNet for Robust Drone Detection in Visually Complex Environments [0.981328290471248]
  視覚的に複雑な環境でのドローン検出は、背景のぼやけ、小さな物体スケール、カモフラージュ効果のために困難である。 この研究は、汎用オブジェクト検出とカモフラージュオブジェクト検出技術を統合する、YOLO-FEDER FusionNetの強化されたイテレーションを示す。
  論文  参考訳（メタデータ） (2025-09-17T14:21:00Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• YOLO-LLTS: Real-Time Low-Light Traffic Sign Detection via Prior-Guided Enhancement and Multi-Branch Feature Interaction [45.79993863157494]
  YOLO-LLTSは、低照度環境向けに設計されたエンドツーエンドのリアルタイム信号検出アルゴリズムである。 YOLO-LLTSは、HRFM-SOD(High-Resolution Feature Map for Small Object Detection)、MFIA(Multi-branch Feature Interaction Attention)、PGFE(Presideed-Guided Feature Enhancement Module)の3つの主要なコントリビューションを紹介している。 実験の結果、YOLO-LLTSは最新技術の性能を達成し、TT100K-nightでは2.7% mAP50:95と1.6% mAP50:95よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-18T04:28:05Z)
• LAM-YOLO: Drones-based Small Object Detection on Lighting-Occlusion Attention Mechanism YOLO [0.9062164411594178]
  LAM-YOLOは、ドローンベースの画像に特化して設計されたオブジェクト検出モデルである。 我々は、異なる照明条件下での小さな目標の視認性を高めるために、光遮断注意機構を導入する。 次に、回帰損失関数として改良されたSIB-IoUを用いてモデル収束を加速し、局所化精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-01T10:00:48Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• Anchor Retouching via Model Interaction for Robust Object Detection in Aerial Images [15.404024559652534]
  本稿では,新しいトレーニングサンプルジェネレータを構築するために,動的拡張アンカー(DEA)ネットワークを提案する。 提案手法は,適度な推論速度とトレーニングの計算オーバーヘッドを伴って,最先端の性能を精度良く達成する。
  論文  参考訳（メタデータ） (2021-12-13T14:37:20Z)

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。