論文の概要: A Task-Driven Evaluation of UAV Detection and Tracking under Synthetic Fog

• arxiv url: http://arxiv.org/abs/2607.05467v1
• Date: Mon, 06 Jul 2026 07:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.271271
• Title: A Task-Driven Evaluation of UAV Detection and Tracking under Synthetic Fog
• Title（参考訳）: 合成霧下におけるUAV検出・追跡のタスク駆動評価
• Abstract要約: Fogは小型無人航空機(UAV)の視認性を大幅に低下させる。 本稿では,奥行き認識型合成霧発生,画像復元,追跡を関連づけたタスク駆動型評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.675397149564289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fog severely degrades the visibility of small unmanned aerial vehicles (UAVs) in skydominant, long-range imagery, reducing the reliability of downstream detection and tracking. This paper presents a task-driven evaluation framework that links depth-aware synthetic fog generation, image restoration, object detection, and tracking within a unified pipeline. Given the practical difficulty of collecting and annotating foggy UAV scenes, synthetic fog is generated from real clear-weather outdoor images containing UAV targets using monocular depth estimation and the atmospheric scattering model. Representative restoration methods from classical, convolutional neural network (CNN)-based, and transformer-based families are first compared, after which the selected restoration model is integrated into the downstream perception pipeline. Detection is evaluated under both clean-only and fog-inclusive training regimes using multiple detector variants, while tracking-by-detection is assessed on clean, foggy, and restored video sequences. Beyond image-level restoration metrics, the study evaluates how fog and restoration affect detection robustness and tracking performance. The results show that fog substantially degrades both detection and tracking, primarily through increased missed detections. Fog-inclusive training provides the most consistent improvement in robustness, whereas test-time restoration is most beneficial when the detector has been trained only on clean imagery. These findings show that restoration quality does not necessarily translate into proportional gains in downstream perception and therefore should be evaluated jointly with detection and tracking performance.
• Abstract（参考訳）: フォッグは小型無人航空機(UAV)の視認性を著しく低下させ、下流の検知と追跡の信頼性を低下させる。 本稿では,深度対応型合成霧発生,画像復元,物体検出,トラッキングを統合パイプライン内で結合するタスク駆動型評価フレームワークを提案する。 霧の多いUAVシーンを収集・注釈することの現実的な困難さから、単眼深度推定と大気散乱モデルを用いて、UAVターゲットを含む実際のクリアウェザー屋外画像から合成霧を生成する。 古典的畳み込みニューラルネットワーク(CNN)とトランスフォーマーに基づく家族からの代表的な復元手法をまず比較し、選択された復元モデルを下流認識パイプラインに統合する。 検出は複数の検出器変異体を用いてクリーン・オン・フォグ・インクルーシブなトレーニング体制とフォグ・インクルーシブなトレーニング体制の両方で評価され、トラッキング・バイ・ディテククションはクリーン・フォグ・ビデオ・シーケンスで評価される。 画像レベルの回復指標以外にも、霧と回復が検出堅牢性と追跡性能にどのように影響するかを評価する。 その結果,霧は検出と追跡の両方を著しく劣化させることが明らかとなった。 フォッグ・インクルーシブ・トレーニングは、ロバスト性において最も一貫した改善を提供するが、検出器がクリーンな画像のみに基づいて訓練されている場合、テストタイムの復元は最も有益である。 これらの結果から, 修復品質は下流の知覚において必ずしも比例的に向上するとは限らないことが示唆され, 検出・追跡性能と併用して評価すべきである。

関連論文リスト

• TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
  Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。 TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。 TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
  論文  参考訳（メタデータ） (2026-07-28T15:51:39Z)
• UniV2D: Bridging Visual Restoration and Semantic Perception for Underwater Salient Object Detection [71.83097731030254]
  視覚的回復と有能な物体検出を協調的に最適化するUnified Vision-to-Detection Network (UniV2D)を提案する。 UniV2Dは、セマンティック駆動学習パラダイムを導入している。 定量評価と定性評価の両方において最先端の手法を著しく上回る。
  論文  参考訳（メタデータ） (2026-05-08T02:31:45Z)
• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• Blur-Robust Detection via Feature Restoration: An End-to-End Framework for Prior-Guided Infrared UAV Target Detection [29.207964743160968]
  赤外線無人航空機(UAV)の標的画像は、しばしば動きのぼやけた劣化に悩まされる。 本稿では,JFD3 と呼ばれる新しい特徴ドメインのデブロアリングとエンドツーエンドのフレームワークを提案する。 IRBlurUAV実験により、JFD3は実時間効率を維持しながら優れた検出性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-18T11:27:15Z)
• From Filters to VLMs: Benchmarking Defogging Methods through Object Detection and Segmentation Performance [2.0524609401792397]
  包括的なパイプラインの集合をベンチマークする構造化された経験的研究を提案する。 物体検出(mAP)とセグメンテーション(PQ, RQ, SQ)における画質と下流性能の評価を行った。 我々の分析では,デフォッギングが有効である場合,連鎖が相乗効果や劣化をもたらす場合,VLMベースのエディタが専用のアプローチとどのように比較されるかを明らかにした。
  論文  参考訳（メタデータ） (2025-10-04T19:05:04Z)
• Detection-Friendly Nonuniformity Correction: A Union Framework for Infrared UAVTarget Detection [18.776245480405958]
  熱検出器を用いて撮影した赤外線無人航空機(UAV)画像は、しばしば温度依存性の低周波不均一性によって影響を受ける。 赤外線とUAVの両方の目標検出タスクに同時に対応できる検出フレンドリーな統合フレームワークを提案する。 検出誘導型自己監督損失を導入し,2つのタスク間の特徴的不一致を低減し,不均一なレベルが変化するように検出の堅牢性を向上する。
  論文  参考訳（メタデータ） (2025-04-05T01:29:22Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• D-YOLO a robust framework for object detection in adverse weather conditions [0.0]
  ヘイズ、雪、雨などの逆の気象条件は、画像品質の低下を招き、深層学習に基づく検知ネットワークの性能低下を招きかねない。 画像復元とオブジェクト検出のタスクをよりうまく統合するために,注目機能融合モジュールを備えた二重経路ネットワークを設計した。 我々はまた,検出ネットワークにヘイズフリーな機能を提供するサブネットワークを提案し,特に,明瞭な特徴抽出サブネットワークと検出ネットワーク間の距離を最小化することにより,検出ネットワークの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-14T09:57:15Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration via Explainable AI Systems [8.430502131775722]
  気象汚染は物体の検知可能性を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。 本稿では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。 気象条件下での入力画像と復元画像の間に平均178%のmAP増加が達成された。
  論文  参考訳（メタデータ） (2022-04-03T12:45:00Z)

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。