論文の概要: A Study on Real-time Object Detection using Deep Learning

• arxiv url: http://arxiv.org/abs/2602.15926v1
• Date: Tue, 17 Feb 2026 18:12:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.403463
• Title: A Study on Real-time Object Detection using Deep Learning
• Title（参考訳）: ディープラーニングを用いたリアルタイム物体検出に関する研究
• Authors: Ankita Bose, Jayasravani Bhumireddy, Naveen N,
• Abstract要約: この記事では、ディープラーニングアルゴリズムがリアルタイムオブジェクト認識の強化にどのように利用されているか、詳しく説明する。 利用可能なさまざまなオブジェクト検出モデル、オープンベンチマークデータセット、およびさまざまなアプリケーションにおけるオブジェクト検出モデルの使用に関する研究に関する情報を提供する。
• 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: Object detection has compelling applications over a range of domains, including human-computer interfaces, security and video surveillance, navigation and road traffic monitoring, transportation systems, industrial automation healthcare, the world of Augmented Reality (AR) and Virtual Reality (VR), environment monitoring and activity identification. Applications of real time object detection in all these areas provide dynamic analysis of the visual information that helps in immediate decision making. Furthermore, advanced deep learning algorithms leverage the progress in the field of object detection providing more accurate and efficient solutions. There are some outstanding deep learning algorithms for object detection which includes, Faster R CNN(Region-based Convolutional Neural Network),Mask R-CNN, Cascade R-CNN, YOLO (You Only Look Once), SSD (Single Shot Multibox Detector), RetinaNet etc. This article goes into great detail on how deep learning algorithms are used to enhance real time object recognition. It provides information on the different object detection models available, open benchmark datasets, and studies on the use of object detection models in a range of applications. Additionally, controlled studies are provided to compare various strategies and produce some illuminating findings. Last but not least, a number of encouraging challenges and approaches are offered as suggestions for further investigation in both relevant deep learning approaches and object recognition.
• Abstract（参考訳）: オブジェクト検出は、ヒューマンコンピュータインターフェース、セキュリティとビデオ監視、ナビゲーションと道路交通監視、交通システム、産業自動化ヘルスケア、拡張現実(AR)の世界、バーチャルリアリティ(VR)、環境監視とアクティビティ識別など、さまざまな分野に魅力的な応用がある。 これらすべての領域におけるリアルタイムオブジェクト検出の応用は、迅速な意思決定に役立つ視覚情報の動的解析を提供する。 さらに、高度なディープラーニングアルゴリズムは、オブジェクト検出の分野における進歩を利用して、より正確で効率的なソリューションを提供する。 オブジェクト検出には、より高速なR CNN(Region-based Convolutional Neural Network)、Mask R-CNN、Cascade R-CNN、YOLO (You Only Look Once)、SSD (Single Shot Multibox Detector)、RetinaNetなど、優れたディープラーニングアルゴリズムがある。 この記事では、ディープラーニングアルゴリズムがリアルタイムオブジェクト認識の強化にどのように利用されているか、詳しく説明する。 利用可能なさまざまなオブジェクト検出モデル、オープンベンチマークデータセット、およびさまざまなアプリケーションにおけるオブジェクト検出モデルの使用に関する研究に関する情報を提供する。 さらに、様々な戦略を比較し、いくつかの照明的発見をもたらすために、制御された研究が提供される。 最後に、いくつかの奨励的な課題とアプローチが、関連するディープラーニングアプローチとオブジェクト認識の両方に関するさらなる調査の提案として提案されている。

関連論文リスト

• Object Detection and Tracking [0.0]
  プロジェクトの目的は、オブジェクト検出のための最新の技術を統合することであり、リアルタイムのパフォーマンスで高い精度を達成することを目的としている。 本研究では,ディープラーニング技術を用いて,エンドツーエンドの物体検出問題を完全に解決する。
  論文  参考訳（メタデータ） (2025-02-14T17:13:52Z)
• Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
  本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。 提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。 完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:14:32Z)
• Accelerating Object Detection with YOLOv4 for Real-Time Applications [0.276240219662896]
  畳み込みニューラルネットワーク(CNN)は、ほとんどの問題に対して画像コンテンツとコンピュータビジョンアプローチを認識する強力なツールとして登場した。 本稿では、畳み込みニューラルネットワーク(CNN)のようなディープラーニングとオブジェクト検出フレームワークの簡単な紹介を紹介する。
  論文  参考訳（メタデータ） (2024-10-17T17:44:57Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
  未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。 我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。 オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
  論文  参考訳（メタデータ） (2023-05-11T16:19:44Z)
• Object Recognition in Different Lighting Conditions at Various Angles by Deep Learning Method [0.0]
  既存のコンピュータビジョンとオブジェクト検出方法は、ニューラルネットワークとディープラーニングに依存している。 本稿では,検出されたボックスの位置に基づいて,さまざまなオブジェクトの名称を分類することを目的とする。 このモデルの精度は,物体の比率やサンプル数に大きく影響されている。
  論文  参考訳（メタデータ） (2022-10-18T06:23:26Z)
• Analysis of voxel-based 3D object detection methods efficiency for real-time embedded systems [93.73198973454944]
  本稿では, ボクセルをベースとした2つの3次元物体検出手法について述べる。 実験の結果,これらの手法は入力点雲が遠距離にあるため,遠距離の小さな物体を検出できないことが確認できた。 この結果から,既存手法の計算のかなりの部分は,検出に寄与しないシーンの位置に着目していることが示唆された。
  論文  参考訳（メタデータ） (2021-05-21T12:40:59Z)
• Building Robust Industrial Applicable Object Detection Models Using Transfer Learning and Single Pass Deep Learning Architectures [1.1816942730023883]
  我々は、オブジェクト検出のタスク専用の深層畳み込みニューラルネットワークが、産業指向のオブジェクト検出パイプラインをどのように改善するかを探求する。 地域提案や分類,確率推定をひとつの実行で統合したディープラーニングアーキテクチャを用いて,リアルタイムのパフォーマンス向上を目指す。 本稿では,これらのアルゴリズムを2つの産業関連アプリケーションに適用し,その1つはアイトラッキングデータにおけるプロモーションボードの検出と,もう1つは拡張現実広告のための倉庫製品のパッケージの検出と認識である。
  論文  参考訳（メタデータ） (2020-07-09T09:50:45Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。