論文の概要: Evaluating Synthetic Data for Baggage Trolley Detection in Airport Logistics

• arxiv url: http://arxiv.org/abs/2603.07645v1
• Date: Sun, 08 Mar 2026 14:15:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.997977
• Title: Evaluating Synthetic Data for Baggage Trolley Detection in Airport Logistics
• Title（参考訳）: 空港ロジスティックスにおけるバッグトロリー検出のための合成データの評価
• Authors: Abdeldjalil Taibi, Mohmoud Badlis, Amina Bensalem, Belkacem Zouilekh, Mohammed Brahimi,
• Abstract要約: セキュリティとプライバシの規制は、自動検出システムにおける大規模なデータ収集を制限する。 本稿では,アルジェス国際空港の高忠実度デジタルツインに基づく合成データ生成パイプラインを提案する。 合成データによる混合トレーニングと、実際のアノテーションのわずか40%が一致するか、あるいは完全なリアルタイムベースラインを超えている。
• 参考スコア（独自算出の注目度）: 0.5301123956835609
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Efficient luggage trolley management is critical for reducing congestion and ensuring asset availability in modern airports. Automated detection systems face two main challenges. First, strict security and privacy regulations limit large-scale data collection. Second, existing public datasets lack the diversity, scale, and annotation quality needed to handle dense, overlapping trolley arrangements typical of real-world operations. To address these limitations, we introduce a synthetic data generation pipeline based on a high-fidelity Digital Twin of Algiers International Airport using NVIDIA Omniverse. The pipeline produces richly annotated data with oriented bounding boxes, capturing complex trolley formations, including tightly nested chains. We evaluate YOLO-OBB using five training strategies: real-only, synthetic-only, linear probing, full fine-tuning, and mixed training. This allows us to assess how synthetic data can complement limited real-world annotations. Our results show that mixed training with synthetic data and only 40 percent of real annotations matches or exceeds the full real-data baseline, achieving 0.94 mAP@50 and 0.77 mAP@50-95, while reducing annotation effort by 25 to 35 percent. Multi-seed experiments confirm strong reproducibility with a standard deviation below 0.01 on mAP@50, demonstrating the practical effectiveness of synthetic data for automated trolley detection.
• Abstract（参考訳）: 効率的な荷物用トロリーの管理は、混雑を減らし、近代空港の資産の確保に不可欠である。 自動検出システムは2つの大きな課題に直面している。 まず、厳格なセキュリティとプライバシの規制により、大規模なデータ収集が制限される。 第二に、既存の公開データセットには、現実世界の操作に典型的なトロリー配置の重なり合い、重なり合った処理に必要な多様性、スケール、アノテーションの質が欠けている。 これらの制約に対処するために、NVIDIA Omniverse を用いたアルジェ国際空港の高忠実度デジタルツインに基づく合成データ生成パイプラインを導入する。 パイプラインは、配向境界ボックスでリッチに注釈付きデータを生成し、タイトにネストされた鎖を含む複雑なトロリーの形成をキャプチャする。 YOLO-OBBは, 実時間のみ, 合成のみ, 線形探索, フル微調整, 混合訓練の5つのトレーニング戦略を用いて評価した。 これにより、合成データがどのように限られた現実世界のアノテーションを補完するかを評価することができる。 以上の結果から, 合成データの混合トレーニングと実アノテーションの40%が一致または完全実データベースラインを超え, 0.94 mAP@50と0.77 mAP@50-95を達成し, アノテーションの労力を25～35パーセント削減した。 マルチシード実験は、mAP@50で0.01未満の標準偏差で強い再現性を確認し、自動トロリー検出のための合成データの有効性を実証した。

関連論文リスト

• A Modular, Data-Free Pipeline for Multi-Label Intention Recognition in Transportation Agentic AI Applications [12.25149118082394]
  輸送におけるエージェントAIアプリケーションに対して,マルチラベル意図認識のためのモジュール型データフリーパイプラインを提案する。 大規模で注釈付きコーパスに依存する従来の意図認識システムとは異なり、当社のアプローチはコストのかかるデータ収集の必要性を排除している。 我々のシステムはユーザクエリをタスク固有のモジュールにシームレスにルーティングし、完全な自律的意図認識エージェントの基盤となる。
  論文  参考訳（メタデータ） (2025-11-05T11:08:08Z)
• BlendCLIP: Bridging Synthetic and Real Domains for Zero-Shot 3D Object Classification with Multimodal Pretraining [2.400704807305413]
  ゼロショットの3Dオブジェクト分類は、自動運転のような現実世界のアプリケーションには不可欠だ。 トレーニングに使用される合成データと、現実世界で遭遇するノイズの多いLiDARスキャンとの間の大きな領域ギャップによって、しばしば妨げられる。 BlendCLIPは、両ドメインの強みを戦略的に組み合わせることで、この合成と現実のギャップを橋渡しするマルチモーダル事前学習フレームワークである。
  論文  参考訳（メタデータ） (2025-10-21T03:08:27Z)
• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
  本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。 有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:35:39Z)
• Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
  コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。 本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
  論文  参考訳（メタデータ） (2024-08-08T01:31:38Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• Low-Quality Training Data Only? A Robust Framework for Detecting Encrypted Malicious Network Traffic [19.636282208765547]
  機械学習モデルが低品質のトレーニングデータでトレーニングされると、パフォーマンスが低下する。 特徴空間における正常なトラフィックと悪意のあるトラフィックの分布を完全に活用するRAPIERを開発した。 RAPIERは、暗号化された悪意のあるトラフィック検出を、最高のF1スコアである0.773で効果的に達成し、既存のメソッドのF1スコアを平均272.5%改善する。
  論文  参考訳（メタデータ） (2023-09-09T13:49:30Z)
• UnrealPerson: An Adaptive Pipeline towards Costless Person Re-identification [102.58619642363959]
  本稿では,unrealpersonという,非現実的な画像データをフル活用して,トレーニングとデプロイメントの両面でコストを削減する新しいパイプラインを提案する。 3,000のIDと12万のインスタンスで、MSMT17に直接転送されると38.5%のランク-1の精度が得られる。
  論文  参考訳（メタデータ） (2020-12-08T08:15:30Z)

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。