論文の概要: DroneDAR: Long-Range Drone Distance Estimation Using Monocular Vision and Bounding-Box Features
- arxiv url: http://arxiv.org/abs/2606.07756v1
- Date: Fri, 05 Jun 2026 18:12:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:05.380199
- Title: DroneDAR: Long-Range Drone Distance Estimation Using Monocular Vision and Bounding-Box Features
- Title（参考訳）: DroneDAR:モノクロビジョンとバウンディングボックス機能を用いた長距離ドローン距離推定
- Authors: Knut Peterson, Zaid Mayers, David Han,
- Abstract要約: 本稿では,画像作物を用いた単眼ドローン距離推定とバウンディングボックス形状について検討する。
我々は,軽量ゲーティング機構を通じて,畳み込みバックボーンと明示的なバウンディングボックスキューを組み合わせた新しいDroneDARモデルを提案する。
- 参考スコア（独自算出の注目度）: 1.7902579391218094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate distance estimation for small drones in long-range imagery is important for tracking and situational awareness, yet remains challenging due to extreme target scale variation, background clutter, and noisy visual cues. This paper studies monocular drone distance estimation using image crops together with bounding-box geometry, a practical setting in which a detector provides a candidate drone region and the model predicts range from appearance and box-derived features. We evaluate a Droneranger-style baseline, and introduce a new DroneDAR (Drone Detection And Ranging) model that combines a convolutional backbone with explicit bounding-box cues through a lightweight gating mechanism. Experiments analyze how backbone capacity, crop resolution, and regression loss functions affect performance across distance regimes. We further examine common failure modes at long distances, including sensitivity to bounding-box noise and reduced texture detail in the crop. The results provide guidance for designing and training range estimators that remain robust under real-world long-range conditions and highlight directions for improving reliability when drones occupy only a few pixels.
- Abstract（参考訳）: 長距離画像における小型ドローンの正確な距離推定は、追跡と状況認識において重要であるが、極端な目標スケールの変動、背景のぼやけ、ノイズの多い視覚的手がかりにより、依然として困難である。
本稿では,画像作物と境界ボックス形状を用いた単眼ドローン距離推定について検討し,検知器が候補ドローン領域を提供し,そのモデルが外観から箱型特徴までの範囲を推定する実践的な設定について述べる。
我々は、Dronerangerスタイルのベースラインを評価し、軽量なゲーティング機構を通じて、畳み込みバックボーンと明示的なバウンディングボックスキューを組み合わせた新しいDroneDAR(Drone Detection and Ranging)モデルを導入する。
実験は、バックボーン容量、作物の分解能、レグレッション損失関数が距離レギュレーションのパフォーマンスにどのように影響するかを分析する。
さらに,バウンディングボックスノイズに対する感度や作物のテクスチャディテールの低減など,長距離での一般的な故障モードについても検討した。
この結果は、現実世界の長距離条件下では堅牢な範囲推定器の設計と訓練のためのガイダンスを提供し、ドローンが数ピクセルしか占有していない場合の信頼性向上の方向性を強調している。
関連論文リスト
- μDopplerTag: CNN-Based Drone Recognition via Cooperative Micro-Doppler Tagging [0.0]
カメラ、LiDAR、従来のレーダーシステムを含む現在の検知および分類技術は、しばしばドローンを確実に識別し識別するのに苦労する。
本稿では, ドローンブレードに取り付けられた共振電磁ステッカーによって符号化された, 人工マイクロドップラーシグネチャに基づく新しいドローン分類法を提案する。
我々は、生のレーダー信号を処理し、高い分類精度を実現することができる調整型畳み込みニューラルネットワーク(CNN)を開発した。
論文 参考訳（メタデータ） (2026-01-12T22:23:57Z) - 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) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Improving Small Drone Detection Through Multi-Scale Processing and Data Augmentation [2.522137108227868]
本研究では,中規模のYOLOv11オブジェクト検出モデルに基づくドローン検出手法を提案する。
そこで我々は,入力画像を全体およびセグメント化された部分の両方で処理し,その後の予測アグリゲーションで処理するマルチスケールアプローチを実装した。
提案されたアプローチは、2025年のInternational Joint Conference on Neural Networksで開かれた第8回WOSDETC Drone-vsBird Detection Grand Challengeでトップ3にランクインした。
論文 参考訳（メタデータ） (2025-04-27T20:06:55Z) - YOLOMG: Vision-based Drone-to-Drone Detection with Appearance and Pixel-Level Motion Fusion [9.810747004677474]
本稿では,複雑な環境下で小型ドローンを正確に識別する新しいエンドツーエンドフレームワークを提案する。
最初は、小さなドローンのモーション特性を捉えるために、動きの差分マップを作成する。
次に、この動き差分マップをバイモーダル融合モジュールを用いてRGB画像と組み合わせることで、ドローンの適応的な特徴学習を可能にする。
論文 参考訳（メタデータ） (2025-03-10T09:44:21Z) - 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) - C2FDrone: Coarse-to-Fine Drone-to-Drone Detection using Vision Transformer Networks [23.133250476580038]
衝突回避、敵のドローン対策、捜索救助活動など、さまざまな用途において、視覚に基づくドローンからドローンまでの検出システムは不可欠である。
ドローンの検出には、小さなオブジェクトのサイズ、歪み、リアルタイム処理要求など、ユニークな課題がある。
本稿では,視覚変換器に基づく粗大な検出手法を提案する。
論文 参考訳（メタデータ） (2024-04-30T05:51:21Z) - TransVisDrone: Spatio-Temporal Transformer for Vision-based
Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。
既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。
計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
論文 参考訳（メタデータ） (2022-10-16T03:05:13Z) - Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
本稿では,他の飛行ドローンからドローンを検知する問題に対処する。
ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。
これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
論文 参考訳（メタデータ） (2021-03-31T17:43:31Z)
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。