論文の概要: Comparative Analysis of Military Detection Using Drone Imagery Across Multiple Visual Spectrums
- arxiv url: http://arxiv.org/abs/2605.21157v1
- Date: Wed, 20 May 2026 13:26:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-21 19:19:56.694774
- Title: Comparative Analysis of Military Detection Using Drone Imagery Across Multiple Visual Spectrums
- Title（参考訳）: 複数の視覚スペクトル間のドローン画像による軍事的検出の比較分析
- Authors: Sourov Roy Shuvo, Prajwal Panth, Rajesh Chowdhury, Sorup Chakraborty, Sudip Chakrabarty, Prasant Kumar Pattnaik,
- Abstract要約: この研究により、ドローンによる運用の性能と信頼性が向上する。
防衛任務と攻撃任務の両方において先進的な検知システムの開発に貢献する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In modern warfare, drones are becoming an essential part of intelligence gathering and carrying out precise attacks in different kinds of hostile environments. Their ability to operate in real-time and hostile environments from a safe distance makes them invaluable for surveillance and military operations. The KIIT-MiTA dataset is comprised of images of different military scenarios taken from drones, and these provide a foundation for detecting military objects, but it does not take into account the various types of real-world scenarios. With that in mind, to evaluate how the models are performing under varying conditions, four different types of datasets are created: Gray Scale, Thermal Vision, Night Vision, and Obscura Vision. These simulate the real-world environments such as low visibility, heat-based imagery, and nighttime conditions. The YOLOv11-small model is trained and used to detect objects across diverse settings. This research boosts the performance and reliability of drone-based operations by contributing to the development of advanced detection systems in both defensive and offensive missions.
- Abstract（参考訳）: 現代の戦争では、ドローンは様々な種類の敵対的環境において、情報収集と正確な攻撃を行うのに欠かせない存在になりつつある。
安全な距離からリアルタイムかつ敵対的な環境での運用能力は、監視や軍事活動に有益である。
KIIT-MiTAデータセットは、ドローンから採取した様々な軍事シナリオの画像で構成されており、これらは軍事オブジェクトを検出する基盤を提供するが、現実世界の様々なシナリオを考慮に入れていない。
さまざまな条件下でモデルがどのように機能しているかを評価するために、グレースケール、サーマルビジョン、ナイトビジョン、オブスキュラビジョンの4種類のデータセットが作成されます。
これらは、低視認性、熱ベースの画像、夜間といった現実世界の環境をシミュレートする。
YOLOv11-smallモデルはトレーニングされ、さまざまな設定でオブジェクトを検出するために使用される。
本研究は、防衛・攻撃両ミッションにおける先進的な検知システムの開発に寄与することにより、ドローンによる運用の性能と信頼性を高める。
関連論文リスト
- Exploring Syn-to-Real Domain Adaptation for Military Target Detection [43.713883705598256]
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。
論文 参考訳（メタデータ） (2025-12-29T05:05:41Z) - SpectraSentinel: LightWeight Dual-Stream Real-Time Drone Detection, Tracking and Payload Identification [0.0903415485511869]
民間空域でのドローンの拡散は、緊急のセキュリティ上の懸念を引き起こしている。
2025年のVIPカップの課題に対応するため、我々は2ストリームのドローン監視フレームワークを提案する。
我々のアプローチでは、並列赤外(熱)および可視(RGB)データストリーム上に、独立してYou Only Look Once v11-nano (YOLOv11n)オブジェクト検出器をデプロイする。
論文 参考訳（メタデータ） (2025-07-30T13:10:13Z) - A Compendium of Autonomous Navigation using Object Detection and Tracking in Unmanned Aerial Vehicles [0.0]
無人航空機(英語: Unmanned Aerial Vehicles、UAV)は21世紀の最も革新的な発明の1つである。
本稿では,UAVの自律航法を目的として,複数の著者が提案した様々なアプローチについて検討する。
論文 参考訳（メタデータ） (2025-05-31T09:13:43Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - Towards Real-Time Fast Unmanned Aerial Vehicle Detection Using Dynamic Vision Sensors [6.03212980984729]
無人航空機(UAV)は民間や軍事用途で人気を集めている。
UAVの予防と検出は、機密性と安全性を保証するために重要である。
本稿では,F-UAV-D(Fast Unmanned Aerial Vehicle Detector)を提案する。
論文 参考訳（メタデータ） (2024-03-18T15:27:58Z) - Learning Deep Sensorimotor Policies for Vision-based Autonomous Drone
Racing [52.50284630866713]
既存のシステムは、状態推定、計画、制御のために手作業によるコンポーネントを必要とすることが多い。
本稿では、深層感触者ポリシーを学習することで、視覚に基づく自律ドローンレース問題に取り組む。
論文 参考訳（メタデータ） (2022-10-26T19:03:17Z) - Challenges in Visual Anomaly Detection for Mobile Robots [65.53820325712455]
視覚に基づく自律移動ロボットの異常検出作業について考察する。
関連した視覚異常の種類を分類し,教師なしの深層学習手法で検出する方法について議論する。
論文 参考訳（メタデータ） (2022-09-22T13:26:46Z) - Uncertainty Aware Multitask Pyramid Vision Transformer For UAV-Based
Object Re-Identification [38.19907319079833]
UAVベースのオブジェクトReIDのバックボーンとして、畳み込みのない新しいマルチスケールアーキテクチャであるPraamid Vision Transformer(PVT)を用いるマルチタスク学習手法を提案する。
クラス内変動の不確実性モデリングにより、不確実性認識オブジェクトIDとカメラID情報の両方を用いて、提案手法を協調的に最適化することができる。
論文 参考訳（メタデータ） (2022-09-19T00:27:07Z) - A Flow Base Bi-path Network for Cross-scene Video Crowd Understanding in
Aerial View [93.23947591795897]
本稿では,これらの課題に対処し,ドローンから収集した視覚的データから参加者を自動的に理解する。
クロスシーンテストで発生する背景雑音を軽減するために, 二重ストリーム群カウントモデルを提案する。
極暗環境下での集団密度推定問題に対処するために,ゲームグランドセフトオートV(GTAV)によって生成された合成データを導入する。
論文 参考訳（メタデータ） (2020-09-29T01:48:24Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z) - Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。
当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。
本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文 参考訳（メタデータ） (2020-01-16T00:11:56Z)
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。