論文の概要: HYolo: An Intelligent IoT-Based Object Detection System Using Hypergraph Learning

• arxiv url: http://arxiv.org/abs/2606.04345v1
• Date: Wed, 03 Jun 2026 02:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.467524
• Title: HYolo: An Intelligent IoT-Based Object Detection System Using Hypergraph Learning
• Title（参考訳）: HYolo:ハイパーグラフ学習を用いた知的IoTオブジェクト検出システム
• Authors: Isha Abid, Fawad Khan, Muhammad Khuram Shahzad,
• Abstract要約: HYoloはIoTベースのオブジェクト検出フレームワークで、ハイパーグラフ学習をYOLOアーキテクチャに統合する。 提案手法は, 全体の検出精度とロバスト性を高めつつ, mAP@50の約12%の改善を実現する。
• 参考スコア（独自算出の注目度）: 0.8711791966428426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents HYolo, an intelligent IoT-based object detection framework that integrates hypergraph learning into the YOLO architecture. Traditional YOLO-based object detection models primarily capture pairwise feature interactions and may fail to model complex high-order relationships among objects and contextual features. To address this limitation, HYolo incorporates hypergraph learning to capture richer contextual dependencies and improve object representation. Experimental evaluation on the COCO dataset demonstrates significant performance improvements over baseline YOLO models. The proposed approach achieves approximately 12% improvement in mAP@50 while enhancing overall detection accuracy and robustness. By modeling high-order feature relationships, HYolo provides improved contextual understanding and more reliable object detection performance in IoT-based environments. The results indicate that integrating hypergraph learning into object detection pipelines offers a promising direction for intelligent and context-aware IoT vision systems.
• Abstract（参考訳）: 本稿では、ハイパーグラフ学習をYOLOアーキテクチャに統合した、インテリジェントなIoTベースのオブジェクト検出フレームワークであるHYoloについて述べる。 従来のYOLOベースのオブジェクト検出モデルは、主にペアワイズの特徴的相互作用を捉え、オブジェクトとコンテキスト的特徴の間の複雑な高次関係をモデル化できない可能性がある。 この制限に対処するため、HYoloはハイパーグラフ学習を導入し、よりリッチなコンテキスト依存をキャプチャし、オブジェクト表現を改善する。 COCOデータセットの実験的評価は、ベースラインのYOLOモデルよりも大幅に性能が向上したことを示している。 提案手法は, 全体の検出精度とロバスト性を高めつつ, mAP@50の約12%の改善を実現する。 高次の機能関係をモデル化することによって、HYoloは、IoTベースの環境におけるコンテキスト理解の改善と、より信頼性の高いオブジェクト検出のパフォーマンスを提供する。 その結果、ハイパーグラフ学習をオブジェクト検出パイプラインに統合することは、インテリジェントでコンテキスト対応のIoTビジョンシステムに有望な方向性をもたらすことが示唆された。

関連論文リスト

• Semantic-Guided Natural Language and Visual Fusion for Cross-Modal Interaction Based on Tiny Object Detection [6.895355763564631]
  本稿では, セマンティック誘導自然言語処理と高度な視覚認識バックボーンを組み合わせることで, オブジェクト検出のためのクロスモーダルインタラクションの最先端的手法を提案する。 提案手法は,BERT言語モデルとCNNに基づくParallel Residual Bi-Fusion Feature Pyramid Networkを統合する。 補題化と微調整技術を用いることで、テキスト入力から視覚的特徴にセマンティックキューを整列させ、小型で複雑な物体の検出精度を向上する。
  論文  参考訳（メタデータ） (2025-11-07T18:38:00Z)
• Performance Optimization of YOLO-FEDER FusionNet for Robust Drone Detection in Visually Complex Environments [0.981328290471248]
  視覚的に複雑な環境でのドローン検出は、背景のぼやけ、小さな物体スケール、カモフラージュ効果のために困難である。 この研究は、汎用オブジェクト検出とカモフラージュオブジェクト検出技術を統合する、YOLO-FEDER FusionNetの強化されたイテレーションを示す。
  論文  参考訳（メタデータ） (2025-09-17T14:21:00Z)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• What is YOLOv9: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector [0.0]
  本研究は, YOLOv9オブジェクト検出モデルに焦点をあて, アーキテクチャの革新, トレーニング方法論, 性能改善に焦点をあてる。 汎用高効率層集約ネットワークGELANやProgrammable Gradient Information PGIといった重要な進歩は、特徴抽出と勾配流を著しく向上させる。 本稿では, YOLOv9の内部特徴とその実世界の応用性について, リアルタイム物体検出の最先端技術として確立した。
  論文  参考訳（メタデータ） (2024-09-12T07:46:58Z)
• Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
  本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。 Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:15Z)
• 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)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)

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。