論文の概要: Attention from Above: A Multimodal Model for Drone-Based Object Localization
- arxiv url: http://arxiv.org/abs/2607.17669v1
- Date: Mon, 20 Jul 2026 08:21:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.547502
- Title: Attention from Above: A Multimodal Model for Drone-Based Object Localization
- Title（参考訳）: ドローンによる物体位置推定のためのマルチモーダルモデル
- Abstract要約: 本稿では,小型物体検出性能の向上を目的とした,効率的なマルチモーダルオブジェクト検出モデルを提案する。
提案手法はYOLO-Worldフレームワーク上に構築され,YOLOv8バックボーンで使用されるC2f層をアテンションベースのA2C2f層に置き換える。
VisDroneデータセットで行った比較実験では、提案モデルが元のYOLO-Worldモデルより優れていることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drone-based object detection technology has advanced rapidly, becoming increasingly sophisticated and efficient. Recently, research trends have expanded beyond the detection of predefined objects toward the identification of specified target objects. For example, desired targets can be specified through textual prompts, enabling accurate detection of objects of interest. To address this demand, this paper proposes an efficient multimodal-based object detection model aimed at improving small object detection performance. The proposed method is built upon the YOLO-World framework and replaces the C2f layers used in the YOLOv8 backbone with attention-based A2C2f layers. This modification enables more precise representation of local features, particularly for small objects or objects with well-defined boundaries. In addition, the incorporation of attention mechanisms and parallel processing structures significantly enhances the model's computational accuracy. Comparative experiments conducted on the VisDrone dataset demonstrate that the proposed model outperforms the original YOLO-World model. Specifically, precision increases from 43.0% to 45.1%, recall from 32.8% to 35.0%, the F1 score from 37.2% to 39.4%, mAP@0.5 from 32.5% to 35.2%, and mAP@0.5-0.95 from 18.5% to 19.9%, confirming a substantial improvement in detection accuracy. These results verify that the proposed approach provides an effective and highly accurate solution for object detection in drone-based image and video application environments.
- Abstract（参考訳）: ドローンによる物体検出技術は急速に進歩し、ますます洗練され、効率的になった。
近年,対象対象物の特定に向けて,事前定義された対象物の検出を超えて研究動向が拡大している。
例えば、所望のターゲットはテキストプロンプトで指定でき、興味のあるオブジェクトを正確に検出できる。
そこで本研究では,オブジェクト検出性能の向上を目的とした,効率的なマルチモーダル型オブジェクト検出モデルを提案する。
提案手法はYOLO-Worldフレームワーク上に構築され,YOLOv8バックボーンで使用されるC2f層をアテンションベースのA2C2f層に置き換える。
この修正により、特に明確に定義された境界を持つ小さなオブジェクトやオブジェクトに対して、より正確な局所的な特徴の表現が可能になる。
さらに、注意機構と並列処理構造が組み込まれたことにより、モデルの計算精度が大幅に向上する。
VisDroneデータセットで行った比較実験では、提案モデルが元のYOLO-Worldモデルより優れていることが示された。
具体的には、精度は43.0%から45.1%に増加し、32.8%から35.0%にリコールされ、F1スコアは37.2%から39.4%に、mAP@0.5は32.5%から35.2%に、mAP@0.5-0.95は18.5%から19.9%に上昇し、検出精度は大幅に改善された。
これらの結果は,提案手法が,ドローンによる画像およびビデオアプリケーション環境におけるオブジェクト検出に有効かつ高精度なソリューションを提供することを示す。
関連論文リスト
- A Text-Guided Vision Model for Enhanced Recognition of Small Instances [0.0]
高速なテキスト誘導型物体検出モデルを開発し,小型物体の検出を効率化した。
提案手法は、YOLOv8バックボーンのC2f層をC3k2層に置き換え、より正確な局所特徴表現を可能にする。
VisDroneデータセットの比較実験により、提案モデルが元のYOLO-Worldモデルより優れていることが示された。
論文 参考訳（メタデータ） (2026-02-23T04:40:14Z) - Enhancing Small Object Detection with YOLO: A Novel Framework for Improved Accuracy and Efficiency [0.0]
本稿では,大規模空中画像における小型物体の検出手法について検討・開発する。
我々は,小型物体検出において,刈り取り寸法を改良し,スライディングウインドウ使用時の重なりを改良し,その速度と精度を向上させるため,ベースSW-YOLO手法を採用した。
本稿では,特徴マップの強化のために,特徴抽出モジュールを首に組み込んだ基本モデルアーキテクチャを改良した新しいモデルを提案する。
我々は,大規模画像処理の最も強力なフレームワークであるSAHIと,画像トリミングにもとづくCZDetを比較し,精度を大幅に向上させた。
論文 参考訳（メタデータ） (2025-12-08T10:15:21Z) - MRS-YOLO Railroad Transmission Line Foreign Object Detection Based on Improved YOLO11 and Channel Pruning [2.6795746856835785]
YOLO11に基づく改良アルゴリズム MRS-YOLOを提案する。
MRS-YOLOアルゴリズムのmAP50とmAP50:95はそれぞれ94.8%と86.4%に改善されている。
論文 参考訳（メタデータ） (2025-10-12T11:38:09Z) - A Light Perspective for 3D Object Detection [46.23578780480946]
本稿では,最先端のDeep Learning技術を特徴抽出に取り入れた新しい手法を提案する。
私たちのモデルであるNextBEVは、ResNet50やMobileNetV3といった既存の機能抽出ツールを超えています。
これらの軽量な提案を融合することにより、VoxelNetベースのモデルの精度を2.93%向上し、PointPillarベースのモデルのF1スコアを約20%改善しました。
論文 参考訳（メタデータ） (2025-03-10T10:03:23Z) - A lightweight model FDM-YOLO for small target improvement based on YOLOv8 [0.0]
小さいターゲットは、低いピクセル数、複雑な背景、様々な射撃角度のために検出が困難である。
本稿では,小目標検出に焦点をあて,低計算制約下での物体検出手法について検討する。
論文 参考訳（メタデータ） (2025-03-06T14:06:35Z) - YOLO-TLA: An Efficient and Lightweight Small Object Detection Model based on YOLOv5 [19.388112026410045]
YOLO-TLAは、YOLOv5上に構築された高度な物体検出モデルである。
まず、ネックネットワークピラミッドアーキテクチャにおいて、小さなオブジェクトに対する検出層を新たに導入する。
このモジュールはスライディングウィンドウの特徴抽出を使い、計算要求とパラメータ数の両方を効果的に最小化する。
論文 参考訳（メタデータ） (2024-02-22T05:55:17Z) - 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) - Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。
OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。
我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
論文 参考訳（メタデータ） (2022-12-26T12:49:47Z) - Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。
提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
論文 参考訳（メタデータ） (2021-03-23T19:45:26Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z) - InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic
Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。
粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。
大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文 参考訳（メタデータ） (2020-07-16T18:27:08Z)
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。