論文の概要: M$^2$E-UAV: A Benchmark and Analysis for Onboard Motion-on-Motion Event-Based Tiny UAV Detection
- arxiv url: http://arxiv.org/abs/2605.10496v2
- Date: Thu, 14 May 2026 08:30:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-16 00:43:04.062884
- Title: M$^2$E-UAV: A Benchmark and Analysis for Onboard Motion-on-Motion Event-Based Tiny UAV Detection
- Title（参考訳）: M$^2$E-UAV: オンボード動作イベントベースTiny UAV検出のためのベンチマークと解析
- Authors: Weiqi Yan, Lixin Chen, Xiangrui Hou, Zhipeng Cai, Youbiao Wang, Yangyang Shi, Yu Zang, Cheng Wang,
- Abstract要約: M$2$E-UAVは、小型UAV検出のためのUAVビューモーションオンモーションイベントベースのデータセットとベンチマークである。
オンボードセンシングプラットフォームから収集した同期イベントストリームとIMU測定を提供する。
ベンチマークには4つのシーンファミリーにわたる87,223のトレーニングサンプルと21,395の検証サンプルが含まれている。
- 参考スコア（独自算出の注目度）: 20.01651780259493
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tiny UAV detection from an onboard event camera is difficult when the observer and target move at the same time. In this motion-on-motion regime, ego-motion activates background edges across buildings, vegetation, and horizon structures, while the UAV may appear as a sparse event cluster. Unlike static- or ground-observer event-based UAV detection, onboard UAV-view detection breaks the clean-background assumption because sensor ego-motion can activate dense background events over the entire field of view. To explore this practical problem, we present M$^2$E-UAV, to the best of our knowledge, the first onboard UAV-view motion-on-motion event-based dataset and benchmark for tiny UAV detection, where both the sensing platform and the target UAV are moving. M$^2$E-UAV provides synchronized event streams and IMU measurements collected from an onboard sensing platform, together with event-level UAV foreground labels derived from temporally propagated 10 Hz bounding-box annotations. The processed benchmark contains 87,223 training samples and 21,395 validation samples across four scene families: sunny building-forest, sunny farm-village, sunset building-forest, and sunset farm-village. We define a train/validation split and an evaluation protocol for comparing representative existing baselines across event-frame, voxel-grid, and point-set representations, with optional IMU input. The benchmark results show that existing baselines remain limited under sparse tiny-target evidence and dense ego-motion-induced background events. Code and benchmark files will be released at https://github.com/Wickyan/M2E-UAV.
- Abstract（参考訳）: 観測者と目標が同時に移動する場合、搭載されたイベントカメラからの微妙なUAV検出は困難である。
このモーション・オン・ムーブメントでは、エゴモーションは建物、植生、地平線構造にまたがる背景エッジを活性化し、UAVはスパース・イベント・クラスタとして現れる。
静的または地上のイベントベースのUAV検出とは異なり、UAVビュー検出は、センサーのエゴモーションが視野全体にわたる濃密なバックグラウンドイベントを活性化できるため、クリーンバックグラウンドの仮定を破る。
この現実的な問題を探るため、我々は、私たちの知る限り、UAV-viewモーションオンモーションイベントベースのデータセットと、センシングプラットフォームとターゲットUAVの両方が動いている小さなUAV検出のためのベンチマークであるM$^2$E-UAVを提示する。
M$^2$E-UAVは、オンボードセンシングプラットフォームから収集された同期イベントストリームとIMU測定と、時間的に伝播した10Hzのバウンディングボックスアノテーションから派生したイベントレベルのUAV前景ラベルを提供する。
処理されたベンチマークでは、87,223人のトレーニングサンプルと21,395人の検証サンプルが4つのシーンファミリー(日当たりのビル、日当たりのファームビル、日没のビル、日没のファームビル、日没のファームビル。
我々は、イベントフレーム、ボクセルグリッド、ポイントセット表現における既存のベースラインをオプションのIMU入力と比較するためのトレイン/バリデーション分割と評価プロトコルを定義する。
ベンチマークの結果、既存のベースラインは、希少な小さなターゲットの証拠と密集したエゴモーションによる背景イベントの下で制限されていることが示された。
コードとベンチマークファイルはhttps://github.com/Wickyan/M2E-UAVで公開される。
関連論文リスト
- IndoorCrowd: A Multi-Scene Dataset for Human Detection, Segmentation, and Tracking with an Automated Annotation Pipeline [39.799207552858114]
IndoorCrowdは、屋内での人間検出、インスタンスセグメンテーション、マルチオブジェクトトラッキングのためのデータセットである。
お値段は31ドル(約3,300円)で、人間認証されたインスタンスごとのセグメンテーションマスクがついている。
論文 参考訳（メタデータ） (2026-04-02T13:38:31Z) - LAF-YOLOv10 with Partial Convolution Backbone, Attention-Guided Feature Pyramid, Auxiliary P2 Head, and Wise-IoU Loss for Small Object Detection in Drone Aerial Imagery [0.0]
無人航空機は、監視、交通監視、災害対応のための主要なセンシングプラットフォームとして機能する。
現在の検出器は、わずか数ピクセルのターゲット、散らかった背景、重い閉塞、厳格な計算予算など、UAV固有の課題に対処している。
この研究は、YOLOv10n上に構築されたRAF-YOLOv10を紹介し、ドローン画像の小さな物体検出を改善するために4つの補完技術を統合する。
論文 参考訳（メタデータ） (2026-02-13T18:23:54Z) - How Far are Modern Trackers from UAV-Anti-UAV? A Million-Scale Benchmark and New Baseline [74.4054700050366]
無人航空機(UAV)は広範囲のアプリケーションを提供するが、安全性とプライバシー侵害のリスクも大きい。
現在の反UAV研究は、主に固定地上カメラで撮影したRGB、赤外線(IR)、またはRGB-IRビデオに焦点を当てている。
本稿では,UAV-Anti-UAVと呼ばれるマルチモーダル視覚追跡タスクを提案する。
論文 参考訳（メタデータ） (2025-12-08T10:19:54Z) - Event-based Tiny Object Detection: A Benchmark Dataset and Baseline [37.60578568397082]
アンチUAVタスクにおける小さな物体検出(SOD)は、UAVの小さいサイズと複雑な背景のために難しい問題である。
イベントカメラは、マイクロ秒の時間分解能と高いダイナミックレンジを持ち、より効果的なSODソリューションを提供する。
既存のイベントベースのオブジェクト検出データセットは、スケールが制限され、大きなターゲットサイズが特徴であり、バックグラウンドの多様性が欠如しているため、SODベンチマークには適さない。
本稿では,イベントベーススモールオブジェクト検出(EVSOD)データセット(EV-UAV)を紹介する。
論文 参考訳（メタデータ） (2025-06-30T07:28:50Z) - Rip Current Segmentation: A Novel Benchmark and YOLOv8 Baseline Results [60.656120527353096]
リップ電流は、世界中の多くのビーチで致命的な事故や怪我の原因となっている。
新たに作成された多角形アノテーションを例として,2,466ドルの画像を含む包括的データセットを提案する。
約2,400ドル(約2,800円)のドローンビデオからなる新しいデータセットを30FPS$で取得し,インスタンスセグメンテーション用のポリゴンとオブジェクト検出用のバウンディングボックスの両方でアノテートする。
論文 参考訳（メタデータ） (2025-04-03T13:14:16Z) - UAVDB: Point-Guided Masks for UAV Detection and Segmentation [0.03464344220266879]
UAVの検出とセグメンテーションのための新しいベンチマークデータセットであるUAVDBを提案する。
ポイント誘導の弱い監視パイプライン上に構築されている。
UAVDBは、可視オブジェクトからほぼ1ピクセルのインスタンスまで、さまざまなスケールでUAVをキャプチャする。
論文 参考訳（メタデータ） (2024-09-09T13:27:53Z) - 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) - Revisiting Few-Shot Object Detection with Vision-Language Models [49.79495118650838]
我々は、最近の基礎視覚言語モデル(VLM)の文脈で、少数ショットオブジェクト検出(FSOD)のタスクを再考する。
我々は,任意の外部データ上で事前学習された検出器を評価する新しいベンチマークプロトコルであるFoundational FSODを提案する。
CVPR 2024 Foundational FSOD コンペティションについて論じ,コミュニティからの洞察を共有した。
論文 参考訳（メタデータ） (2023-12-22T07:42:00Z) - MOR-UAV: A Benchmark Dataset and Baselines for Moving Object Recognition
in UAV Videos [12.25388945174071]
本稿では,空中映像における物体認識のための大規模ビデオデータセットであるMOR-UAVを紹介する。
さまざまなシナリオで10,948フレームからなる30UAVビデオから収集した89,783件の移動オブジェクトインスタンスに注釈を付ける。
UAVビデオにおけるMORのための深い統合フレームワークMOR-UAVNetを提案する。
論文 参考訳（メタデータ） (2020-08-04T17:02:29Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳（メタデータ） (2020-07-30T16:39:22Z)
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。