論文の概要: Benchmarking UAV-based Vehicle Re-Identification under Simulated Weather Conditions

• arxiv url: http://arxiv.org/abs/2607.10583v1
• Date: Sun, 12 Jul 2026 05:41:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.473462
• Title: Benchmarking UAV-based Vehicle Re-Identification under Simulated Weather Conditions
• Title（参考訳）: 模擬気象条件下におけるUAV車両再同定のベンチマーク
• Abstract要約: UAVベースの車両ReIDは、交通監視、都市監視、公共安全アプリケーションのための有望な技術として登場した。 近年のUAVベースの車両ReIDベンチマークの進歩にもかかわらず、悪天候下での既存手法の堅牢性は十分に研究されていない。 UAVベースの2つのベンチマークにおいて,CLIP-ReID,MSINet,AdaSPの3つの代表的な車両ReID手法の比較検討を行った。
• 参考スコア（独自算出の注目度）: 0.5226396748560348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: UAV-based vehicle re-identification (ReID) has emerged as a promising technique for traffic surveillance, urban monitoring, and public-safety applications thanks to the flexible viewpoints and wide-area coverage provided by unmanned aerial vehicles. However, despite recent progress on UAV-based vehicle ReID benchmarks, the robustness of existing methods under adverse weather remains insufficiently studied. This is important because weather degradation can significantly affect the fine-grained appearance cues required for reliable vehicle matching in aerial imagery, especially under small object scale, viewpoint variation, and complex backgrounds. In this paper, we present a controlled comparative study of three representative recent vehicle ReID methods, namely CLIP-ReID, MSINet, and AdaSP, on two UAV-based benchmarks, VRU and UAV-VeID. To ensure consistent robustness evaluation, we generate synthetic foggy and rainy variants of both datasets using an analytical weather-effect pipeline while preserving the original identities and data splits. All methods are then trained and evaluated under matched clean, foggy, and rainy conditions. Experimental results show that adverse weather consistently degrades retrieval performance across both datasets, with rain causing larger drops than fog in nearly all settings. Among the evaluated methods, AdaSP demonstrates the strongest robustness, achieving 93.0% and 88.5% mAP on VRU-Large, and 88.7% and 76.2% mAP on UAV-VeID-Test under foggy and rainy conditions, respectively. Overall, our findings show that simulated adverse weather substantially increases the difficulty of UAV-based vehicle ReID, reveals clear robustness differences among recent methods, and highlights the need for weather-aware model design and evaluation protocols in future aerial ReID research. The code is released at https://github.com/tranminhvu945/Benchmarking-ReID.
• Abstract（参考訳）: UAVをベースとした車両再識別(ReID)は、無人航空機によるフレキシブルな視点と広い範囲のカバーのおかげで、交通監視、都市監視、公共安全のための有望な技術として登場した。 しかし、UAVベースの車両ReIDベンチマークの最近の進歩にもかかわらず、悪天候下での既存手法の堅牢性は十分に研究されていない。 これは、特に小型の物体スケール、視点変動、複雑な背景下で、航空画像における信頼性の高い車両マッチングに必要な微粒な外観に、気象劣化が大きな影響を与えるためである。 本稿では,CLIP-ReID,MSINet,AdaSPの3つの代表的な車両ReID手法を,UAVベースの2つのベンチマークであるVRUとUAV-VeIDで比較検討する。 一貫性のあるロバスト性評価を実現するため,解析的気象効果パイプラインを用いて,両データセットの合成霧と雨の変種を生成し,元のアイデンティティとデータ分割を保存した。 いずれの方法も、整合した清潔、霧、雨の条件下で訓練され評価される。 実験の結果、悪天候は両方のデータセットで常に回復性能を低下させ、雨はほぼ全ての設定で霧よりも大きな降雨を引き起こすことがわかった。 評価手法の中で、AdaSPは強い強靭性を示し、VRUラージでは93.0%、88.5% mAP、UAV-VeID-Testでは88.7%、76.2% mAPを達成した。 以上の結果から,UAVをベースとした車両ReIDの難易度をシミュレーションした悪天候が著しく向上し,近年の手法によるロバスト性の違いが明らかとなり,将来の航空ReID研究における気象モデル設計および評価プロトコルの必要性が示唆された。 コードはhttps://github.com/tranminhvu945/Benchmarking-ReIDで公開されている。

関連論文リスト

• Boosting Robustness for All-Weather Self-Supervised Depth Estimation in Autonomous Driving [46.17295445504376]
  逆気象条件は画素対応を歪め、自己教師付き損失関数に埋め込まれた仮定に違反する可能性がある。 レーダは悪天候下で広く採用されているセンサであるが、ポイント・オブ・ビュー(POV)におけるレーダーポイントの疎分布は、自己監督型核融合の課題を提起している。 マルチティーラー蒸留とロバストレーダ融合による全天候データを用いた新しい自己学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-07-23T17:11:33Z)
• A Digital Twin Framework for Traffic-Aware UAV Pavement Monitoring without Lane Closure [0.0]
  本稿では、車線閉鎖のない交通対応UAV舗装監視のためのUnityベースのデジタルツインフレームワークを提案する。 提案した環境は、手続き的に生成された道路欠陥、動的車両と歩行者、無人UAVナビゲーション、組込み道路損傷認識パイプラインを統合している。 デジタル双生児は、ホバー・アンド・リチェック、マイクロ・リポジション、スキップ・アンド・リバイジットという、閉鎖された道路セグメントの3つの回復戦略を評価するために使用された。
  論文  参考訳（メタデータ） (2026-06-17T20:30:52Z)
• UAV-MM3D: A Large-Scale Synthetic Benchmark for 3D Perception of Unmanned Aerial Vehicles with Multi-Modal Data [47.317955428393134]
  UAV-MM3Dは,低高度UAV知覚と動作理解のための多モード合成データセットである。 様々なシーン(都市部、郊外部、森林部、沿岸部)と気象条件にまたがる400Kの同期フレームで構成されている。 各フレームは2D/3Dバウンディングボックス、6-DoFのポーズ、インスタンスレベルのアノテーションを提供し、3D検出、ポーズ推定、ターゲット追跡、短期軌道予測などのUAVに関連するコアタスクを可能にする。
  論文  参考訳（メタデータ） (2025-11-27T12:30:28Z)
• Sequence-Preserving Dual-FoV Defense for Traffic Sign and Light Recognition in Autonomous Vehicles [0.07646713951724012]
  本研究では,米国における信号機と信号機のための二重FoV,シーケンス保存型ロバストネスフレームワークを提案する。 実生活における異常検出の応用に関する一連の実験において、本研究では、統一された3層防御スタックフレームワークの概要を概説する。
  論文  参考訳（メタデータ） (2025-10-03T00:43:25Z)
• RoSe: Robust Self-supervised Stereo Matching under Adverse Weather Conditions [58.37558408672509]
  本稿では,ロバストな自己監督型環境対応学習と悪天候蒸留という2つの重要なステップからなる,堅牢な自己監督型訓練パラダイムを提案する。 提案手法の有効性と汎用性を実証し,既存の最先端の自己管理手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T15:41:40Z)
• More Clear, More Flexible, More Precise: A Comprehensive Oriented Object Detection benchmark for UAV [58.89234732689013]
  CODroneは、現実の状況を正確に反映した、UAVのための包括的なオブジェクト指向オブジェクト検出データセットである。 また、下流のタスク要求に合わせて設計された新しいベンチマークとしても機能する。 我々は、CODroneを厳格に評価するために、22の古典的またはSOTA法に基づく一連の実験を行う。
  論文  参考訳（メタデータ） (2025-04-28T17:56:02Z)
• Robust ADAS: Enhancing Robustness of Machine Learning-based Advanced Driver Assistance Systems for Adverse Weather [5.383130566626935]
  本稿では,デノイングディープニューラルネットワークを前処理ステップとして,悪天候画像から晴天画像へ変換する。 ドライバーの視認性が向上し、悪天候下での安全なナビゲーションに欠かせない。
  論文  参考訳（メタデータ） (2024-07-02T18:03:52Z)
• Challenges of YOLO Series for Object Detection in Extremely Heavy Rain: CALRA Simulator based Synthetic Evaluation Dataset [0.0]
  様々なセンサー(LiDAR、レーダー、カメラなど)による物体検出は、自動運転車に優先されるべきである。 これらのセンサーは、多様な気象条件下で物体を正確に素早く検出する必要があるが、雨や雪、霧といった悪天候条件下で物体を一貫して検出することは困難である。 本研究では,降水条件から得られた雨滴データに基づいて,様々な降水条件下で多様なネットワークモデルをテストすることのできる新しいデータセットを構築した。
  論文  参考訳（メタデータ） (2023-12-13T08:45:57Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)

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。