論文の概要: Human-in-the-Loop Signature Bootstrapping for UAV Hyperspectral PFM-1 Mine Detection

• arxiv url: http://arxiv.org/abs/2607.25310v1
• Date: Tue, 28 Jul 2026 05:46:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.72244
• Title: Human-in-the-Loop Signature Bootstrapping for UAV Hyperspectral PFM-1 Mine Detection
• Title（参考訳）: UAVハイパースペクトルPFM-1地雷検出のためのHuman-in-the-Loop署名ブートストラップ
• Abstract要約: 分光角マッパー(SAM)を用いた無人航空機(UAV)のPFM-1地雷検出に関する研究 本研究では,SVCシグネチャ,コアピクセルシグネチャ,シミュレートされたヒト・イン・ザ・ループシグネチャのブートストラップを比較した。 フルリビューブートストラッピングは、7つの対象領域がすべて検証された後に、完全にインシグネチャケースに到達するが、必要な検査努力は強く異なる。
• 参考スコア（独自算出の注目度）: 1.001355398440049
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperspectral imaging (HSI) is useful for material discrimination, but operational mine screening also depends on how many false alarms must be inspected before targets are found. This paper studies PFM-1 landmine detection in unmanned aerial vehicle (UAV) visible and near-infrared (VNIR) HSI using spectral angle mapper (SAM), matched filter (MF), adaptive coherence estimator (ACE), and constrained energy minimization (CEM). We compare a ground-measured SVC signature, a fully informed in-scene core-pixel signature, and a simulated human-in-the-loop signature bootstrap. Besides receiver operating characteristic area under the curve and average precision, we report target-discovery curves and spatial candidate-review counts. Full-review bootstrapping reaches the fully informed in-scene signature case after all seven target regions are verified, but the required inspection effort varies strongly: ACE confirms all regions in two rounds and nine candidate inspections, whereas the SAM variants need thousands of candidate reviews for their final target locations. Code is available at https://github.com/SagarLekhak/IEEE_WHISPERS_2026_UAV_HSI_PFM1.
• Abstract（参考訳）: ハイパースペクトルイメージング(HSI)は物質識別に有用であるが、運用中の地雷検診は標的が見つかる前に偽の警報を何回検査する必要があるかにも依存する。 本稿では,無人航空機(UAV)におけるPFM-1地雷検出について,SAM,MF,ACE,制約エネルギー最小化(CEM)を用いて検討した。 本研究では,SVCシグネチャ,コアピクセルシグネチャ,シミュレートされたヒト・イン・ザ・ループシグネチャのブートストラップを比較した。 曲線および平均精度下での受信機動作特性領域に加えて,目標発見曲線と空間的候補評価回数を報告する。 フルリビューのブートストラップは、7つのターゲット領域がすべて検証された後、完全なインシグネチャケースに到達するが、必要な検査努力は強く異なる:ACEは2ラウンドと9つの候補の検査ですべての領域を確認し、SAMの派生型は最終的なターゲット位置について数千の候補レビューを必要とする。 コードはhttps://github.com/SagarLekhak/IEEE_WHISPERS_2026_UAV_HSI_PFM1で公開されている。

関連論文リスト

• Towards UAV Detection in the Real World: A New Multispectral Dataset UAVNet-MS and a New Method [80.50361258830928]
  UAVNet-MSは、微小UAV検出のための最初のマルチスペクトルデータセットである。 本稿では、アレイ誘起パララックスと空間-スペクトル融合に対処するデュアルストリームベースラインであるMFDNetを提案する。 この研究は、基礎的なデータセット、強力なベースライン、マルチスペクトルUAV監視研究のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2026-05-20T09:49:04Z)
• Visual Prototype Conditioned Focal Region Generation for UAV-Based Object Detection [23.097895224926905]
  無人航空機(UAV)に基づく物体検出は、限られた注釈付きトレーニングデータで動的に変化するシナリオに適用する場合、重要ではあるが困難な課題である。 UAVに基づくオブジェクト検出に適した新しいレイアウト・ツー・イメージ生成フレームワークであるUAVGenを提案する。 本手法は最先端の手法を著しく上回り、異なる検出器と統合した場合の精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2026-04-03T11:00:24Z)
• Aerial Maritime Vessel Detection and Identification [1.2289361708127877]
  我々は、YOLOv8オブジェクト検出モデルを利用して、視野内のすべての容器を検出する。 発見されると、単純な幾何学的原理を用いてターゲットをローカライズする。 MBZIRC2023コンペティションにおいて,提案手法を実世界実験で実証し,完全自律システムに統合した。
  論文  参考訳（メタデータ） (2025-07-09T11:43:02Z)
• 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)
• UAVDB: Point-Guided Masks for UAV Detection and Segmentation [0.03464344220266879]
  UAVの検出とセグメンテーションのための新しいベンチマークデータセットであるUAVDBを提案する。 ポイント誘導の弱い監視パイプライン上に構築されている。 UAVDBは、可視オブジェクトからほぼ1ピクセルのインスタンスまで、さまざまなスケールでUAVをキャプチャする。
  論文  参考訳（メタデータ） (2024-09-09T13:27:53Z)
• Towards Spatial Equilibrium Object Detection [88.9747319572368]
  本稿では,現代物体検出器の空間的不平衡問題について考察する。 本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。 これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
  論文  参考訳（メタデータ） (2023-01-14T17:33:26Z)
• Near out-of-distribution detection for low-resolution radar micro-Doppler signatures [2.029924828197095]
  Near-of-distriion Detection (OOD) は、分類に必要な監督なしに意味的に類似したデータポイントを識別することを目的としている。 本稿では、レーダー目標検出のためのOODのユースケースを、他の種類のセンサや検出シナリオに提示する。
  論文  参考訳（メタデータ） (2022-05-12T08:27:14Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Perceiving Traffic from Aerial Images [86.994032967469]
  本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-16T11:37:43Z)
• Reinforcement Learning for UAV Autonomous Navigation, Mapping and Target Detection [36.79380276028116]
  本研究では,無人航空機(UAV)に低高度レーダーを装備し,未知の環境下での飛行における共同検出・マッピング・ナビゲーション問題について検討する。 目的は、マッピング精度を最大化する目的で軌道を最適化することであり、目標検出の観点からは、測定が不十分な領域を避けることである。
  論文  参考訳（メタデータ） (2020-05-05T20:39:18Z)

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。