論文の概要: Edge-Constrained UAV Small-Object Detection with P2 Enhancement and Quantum-Inspired Lightweight Structure Search

• arxiv url: http://arxiv.org/abs/2606.09081v1
• Date: Mon, 08 Jun 2026 06:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.760831
• Title: Edge-Constrained UAV Small-Object Detection with P2 Enhancement and Quantum-Inspired Lightweight Structure Search
• Title（参考訳）: P2強調と量子インスパイアされた軽量構造探索によるエッジ拘束型UAV小物体検出
• Authors: Wuming Lei, Yanbin Gao, Mingyan Sun, Xiaobin Li, Xuechen Liang,
• Abstract要約: 無人航空機(UAV)の物体検出には、小型の物体の詳細をオンボード計算とメモリ制約下で保持する小型検出器が必要である。 本研究では、P2高分解能検出分岐と量子インスピレーション進化アルゴリズム(QIEA)を組み合わせることで、YOLOX-Nanoアンダーエッジ展開制約を分析する。
• 参考スコア（独自算出の注目度）: 2.762798229225533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unmanned aerial vehicle (UAV) object detection requires compact detectors that retain small-object details under onboard computation and memory constraints. Repeated downsampling inlightweight networks weakens shallow spatial information, while manually adding attention orfusion modules may increase cost without stable gains. This study analyzes YOLOX-Nano underedge-deployment constraints by combining a P2 high-resolution detection branch with a quantum-inspired evolutionary algorithm (QIEA) for lightweight structure screening. The search space isdefined by lightweight priority and task specificity, and the evaluation jointly considers accuracy,floating-point operations (FLOPs), latency, memory consumption, and recall. On VisDrone, theP2 branch increases APamall by 31.10% over the YOLOX-Nano baseline. Compared with NanoDet-Plus with similar model size, YOLOX-Nano+-P2 improves APs0.ss by 17.5% and APamal by 44.9%.The QIEA-selected candidate obtains the highest Recallso, but +P2 remains the strongest AP-oriented variant after full training. Full 100-epoch verification of Random-best, GA-best, andSA/QUBO-best candidates further shows that proxy rankings do not necessarily transfer to finalAPse9s. These results support using P2 as the main small-object enhancement path and QIEA as alightweight tool for candidate screening and accuracy-cost analysis. The source code, configurationfiles, diagnostic scripts, and summarized results are available at https://github.com/Ming23233/UAV-QIEA-Edge-Detection
• Abstract（参考訳）: 無人航空機(UAV)の物体検出には、小型の物体の詳細をオンボード計算とメモリ制約下で保持する小型検出器が必要である。 繰り返しダウンサンプリングされた軽量ネットワークは、浅い空間情報を弱める一方、手動で注目モジュールを追加すると、安定したゲインなしでコストが上昇する可能性がある。 本研究では、P2高分解能検出分岐と量子インスピレーション進化アルゴリズム(QIEA)を組み合わせることで、YOLOX-Nanoアンダーエッジ展開制約を分析する。 検索空間は軽量な優先度とタスク特異性によって定義され、評価は精度、浮動小数点演算(FLOP)、レイテンシ、メモリ消費、リコールを共同で考慮する。 VisDroneでは、P2ブランチはYOLOX-NanoベースラインよりもAPamallを31.10%増加させる。 同様のモデルサイズを持つNanoDet-Plusと比較して、YOLOX-Nano+-P2はAPs0.ssを17.5%改善し、APamalを44.9%改善した。 QIEA選択候補は最も高いリコールソを得るが、+P2は完全な訓練後に最もAP指向の変種である。 Random-best, GA-best, およびSA/QUBO-bestの完全な100エポジカルな検証により、プロキシランキングがfinalAPse9sに必ずしも移行しないことが示された。 これらの結果は,P2を主目的拡張パスとし,QIEAを候補検定および精度・コスト分析のための軽量化ツールとした。 ソースコード、設定ファイル、診断スクリプト、要約された結果はhttps://github.com/Ming23233/UAV-QIEA-Edge-detectionで確認できる。

関連論文リスト

• SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
  我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。 新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。 大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-08T05:06:14Z)
• 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)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• Point-to-Box Network for Accurate Object Detection via Single Point Supervision [51.95993495703855]
  オフ・ザ・シェルフ提案法(OTSP)の軽量な代替手法を提案する。 P2BNetは、アンカーのような方法で提案を生成することで、オブジェクト間のバランスの取れた提案バッグを構築することができる。 コードはCOCO.com/ucas-vg/P2BNetでリリースされる。
  論文  参考訳（メタデータ） (2022-07-14T11:32:00Z)
• DPNET: Dual-Path Network for Efficient Object Detectioj with Lightweight Self-Attention [16.13989397708127]
  DPNetは、軽量な自己注意を伴う効率的なオブジェクト検出のためのデュアルパスネットワークである。 COCOデータセットでは29.0%のAPを達成し、320x320の画像に対して1.14 GFLOPと2.27Mモデルサイズしか達成していない。
  論文  参考訳（メタデータ） (2021-10-31T13:38:16Z)
• Zero Cost Improvements for General Object Detection Network [6.072666305426913]
  2つのモジュールがコストゼロで検出精度を向上させるために提案されている。 パラメータの少ないマルチレベル特徴写像を効率的に融合するために,スケールアテンション機構を用いる。 実験の結果,2つのモジュールを持つネットワークはコストゼロで1.1 APと0.8 APを越えられることがわかった。
  論文  参考訳（メタデータ） (2020-11-16T07:21:57Z)
• VarifocalNet: An IoU-aware Dense Object Detector [11.580759212782812]
  我々は、物体の存在感と位置決め精度の合同表現として、IACS(Iou-Aware Classification Score)を学習する。 IACSに基づいて、高密度物体検出器により、より正確な候補検出のランク付けが可能であることを示す。 FCOS+ATSSアーキテクチャに基づくIoU対応の高密度物体検出器を構築し,VarifocalNetあるいはVFNetと呼ぶ。
  論文  参考訳（メタデータ） (2020-08-31T05:12:21Z)
• APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
  本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。 ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。 同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
  論文  参考訳（メタデータ） (2020-06-15T16:09:17Z)
• Seeing without Looking: Contextual Rescoring of Object Detections for AP Maximization [4.346179456029563]
  任意の検出器の出力を後処理することで、コンテキストをオブジェクト検出に組み込むことを提案する。 再現は、検出の集合全体からコンテキスト情報を条件付けすることで行われる。 検出信頼度を簡易に再割り当てすることでAPを改善できることを示す。
  論文  参考訳（メタデータ） (2019-12-27T18:56:29Z)

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。