論文の概要: Small Object Detection in Industrial Recycling: A New Dataset and YOLO Performance Evaluation

• arxiv url: http://arxiv.org/abs/2605.26884v1
• Date: Tue, 26 May 2026 11:47:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.982528
• Title: Small Object Detection in Industrial Recycling: A New Dataset and YOLO Performance Evaluation
• Title（参考訳）: 産業リサイクルにおける小物検出:新しいデータセットとYOLO性能評価
• Authors: Oussama Messai, Abbass Zein-Eddine, Abdelouahid Bentamou, Mickael Picq, Nicolas Duquesne, Stéphane Puydarrieux, Yann Gavet,
• Abstract要約: 本稿では,コンピュータビジョンの大きな課題である,小さく,密度が高く,重なり合う物体を検出する問題に対処する。 10k以上の画像と120kのインスタンスからなる新しいデータセット上で、これらのシステムを詳細に比較する。 現在利用可能な最も信頼性の高いシステムと、それらが取り組むように設計されている特定の課題を特定します。
• 参考スコア（独自算出の注目度）: 0.11726720776908518
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we address the problem of detecting small, dense, and overlapping objects, a major challenge in computer vision. Our focus is on reviewing proposed methods based on deep learning supervised approaches. We provide a detailed comparison of these systems on a new dataset of more than 10k images and 120k instances, highlighting their performance, accuracy, and computational efficiency in the industrial recycling process use case. Through this comparative analysis, we identify the most reliable systems currently available and the specific challenges they are designed to tackle. Furthermore, we explore the benefits of data augmentation and synthetic images. Based on our analysis, we also propose potential future directions and innovative solutions that could enhance the effectiveness of small, dense and overlapped object detection systems. The scope of our investigations encompasses object detection, length measurement, and anomaly detection within the context of the recycling process. The anomaly detection strategy is robust against variations in image resolution and zoom levels, ensuring reliable performance in industrial applications. The repository of the proposed dataset, methods and evaluation codes can be found at: https://github.com/o-messai/SDOOD
• Abstract（参考訳）: 本稿では,コンピュータビジョンの大きな課題である,小さく,密度が高く,重なり合う物体を検出する問題に対処する。 我々は,ディープラーニングによる教師付きアプローチに基づく提案手法のレビューに重点を置いている。 本稿では, 産業リサイクルプロセスのユースケースにおける性能, 精度, 計算効率を重視した, 10k 以上の画像と 120k インスタンスの新しいデータセット上で, これらのシステムを詳細に比較する。 この比較分析を通じて、現在利用可能な最も信頼性の高いシステムと、それらが取り組むように設計されている特定の課題を特定します。 さらに,データ拡張と合成画像の利点についても検討する。 また,本分析に基づいて,小型・高密度・重なり合う物体検出システムの有効性を高めるため,将来的な方向性と革新的な解決策を提案する。 本研究の範囲は, リサイクルプロセスのコンテキスト内での物体検出, 長さ測定, 異常検出を含む。 異常検出戦略は、画像解像度とズームレベルの変化に対して堅牢であり、産業アプリケーションにおける信頼性の高い性能を保証する。 提案されたデータセット、メソッド、評価コードのリポジトリは、https://github.com/o-messai/SDOODで見ることができる。

関連論文リスト

• Image Quality Enhancement and Detection of Small and Dense Objects in Industrial Recycling Processes [0.11726720776908518]
  本稿では,小型で高密度で重なり合う物体の検出と,ノイズの多い画像の品質向上という2つの課題に取り組む。 教師付きディープラーニングに基づく手法を評価する。 また,ノイズの多い産業環境における画像品質向上のためのディープラーニングモデルについても検討した。
  論文  参考訳（メタデータ） (2025-09-01T10:14:13Z)
• Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications [0.15705429611931052]
  小型物体検出(SOD)はコンピュータビジョンにおいて重要な課題である。 ディープラーニングの最近の進歩は革新的なソリューションを導入している。 軽量ニューラルネットワーク、知識蒸留(KD)、自己教師型学習といった新興トレンドは、検出効率を改善する上で有望な方向を提供する。
  論文  参考訳（メタデータ） (2025-03-26T12:58:13Z)
• 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)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
  本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• A Comprehensive Study on Object Detection Techniques in Unconstrained Environments [0.0]
  オブジェクト検出は、画像やビデオ内のオブジェクトを識別し、ローカライズすることを目的とした、コンピュータビジョンにおける重要なタスクである。 近年のディープラーニングと畳み込みニューラルネットワーク(CNN)の進歩により、オブジェクト検出技術の性能が大幅に向上した。 本稿では,制約のない環境下でのオブジェクト検出技術について,様々な課題,データセット,最先端のアプローチを含む包括的研究を行う。
  論文  参考訳（メタデータ） (2023-04-11T15:45:03Z)
• Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
  本稿では,空間的推論フレームワークを提案する。 グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。 提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-02T12:38:08Z)

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。