論文の概要: SULAND v2: A Refined RGB Dataset and Deep Learning Object Detection Benchmark for UAV/UGV-Based SUrface LANDmine Detection Under Domain Shift
- arxiv url: http://arxiv.org/abs/2607.28996v1
- Date: Fri, 31 Jul 2026 03:51:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.585002
- Title: SULAND v2: A Refined RGB Dataset and Deep Learning Object Detection Benchmark for UAV/UGV-Based SUrface LANDmine Detection Under Domain Shift
- Title（参考訳）: SULAND v2: ドメインシフト下でのUAV/UGVベース表面LANDmine検出のための改良RGBデータセットとディープラーニングオブジェクト検出ベンチマーク
- Authors: Sagar Lekhak, Prasanna Reddy Pulakurthi, Lalit Joshi, Ramesh Bhatta, Emmett J. Ientilucci,
- Abstract要約: 改良されたRGB表面ランドミンデータセットとベンチマークであるSULAND_v2を提案する。
9つのファミリーにわたる35の検出器構成をベンチマークする。
以上の結果から,IIDの精度は操作性を保証するものではないことが示唆された。
- 参考スコア（独自算出の注目度）: 0.8543936047647137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: RGB imagery offers a practical, low-cost option for Unmanned Aerial/Ground Vehicle (UAV/UGV) survey support in surface-landmine detection, but object detectors remain underexplored in this safety-critical domain. Limited cross-architecture benchmarking and insufficient out-of-distribution (OOD) analysis obscure whether detectors generalize across deployment conditions. This challenge is amplified by the scarcity of public RGB landmine datasets, making SULAND a key benchmark for PFM-1 and PMA-2 detection. However, inspection reveals missing/false annotations, localization errors, inconsistent visibility criteria, visual artifacts, temporal labeling inconsistencies, and an inverted OOD class-ID convention in SULAND. We present SULAND_v2, a refined RGB surface-landmine dataset and benchmark. Preserving original images and splits, we manually revise annotations to ensure completeness, precise localization, label validity, and class consistency. SULAND_v2 contains 33,771 images and 12,433 bounding boxes. We benchmark 35 detector configurations across nine families. Annotation refinement improves YOLOv8 in-distribution (IID) test mAP@50 by 14.6-19.6 percentage points, while fixing the OOD class-ID convention increases mean YOLOv8 OOD mAP@50 by ~25 percentage points. On SULAND_v2, YOLOv12-Small achieves the highest IID mAP@50 (0.908), while RF-DETR-Large yields the strongest OOD performance (0.799 mAP@50, 0.675 recall). Our results demonstrate that high IID accuracy does not guarantee operational readiness. SULAND_v2 provides a reliable benchmark for evaluating domain-shift robustness in RGB-based mine-action survey support.
- Abstract（参考訳）: RGB画像は、地表地雷検出における無人航空機(UAV/UGV)の調査支援に実用的で低コストの選択肢を提供するが、この安全上重要な領域では、対象検出器の探索が過小評価されている。
限定的なクロスアーキテクチャ・ベンチマークと不十分なアウト・オブ・ディストリビューション (OOD) 分析により、検出器が展開条件を越えて一般化するかどうかが明らかになった。
この課題は、公共のRGB地雷データセットの不足によって増幅され、SULANDはPFM-1とPMA-2検出の重要なベンチマークとなる。
しかし、インスペクションは、欠落/偽アノテーション、ローカライゼーションエラー、一貫性のない可視性基準、視覚的アーティファクト、時間的ラベリングの不整合、SULANDにおける逆OODクラスID規約を明らかにする。
改良されたRGB表面ランドミンデータセットとベンチマークであるSULAND_v2を提案する。
元のイメージと分割を保存するため、アノテーションを手動で修正し、完全性、正確なローカライゼーション、ラベルの有効性、クラス一貫性を保証する。
SULAND_v2は33,771イメージと12,433バウンディングボックスを含んでいる。
9つのファミリーにわたる35の検出器構成をベンチマークする。
アノテーションの改良により、YoLOv8 in-distriion (IID) test mAP@50 が14.6-19.6 %、OOD class-ID 規約の修正により平均 YOLOv8 OOD mAP@50 が約25 %向上する。
SULAND_v2では、YOLOv12-Smallは最高IID mAP@50(0.908)を達成し、RF-DETR-Largeは最強のOOD性能(0.799 mAP@50, 0.675リコール)を得る。
以上の結果から,IIDの精度は操作性を保証するものではないことが示唆された。
SULAND_v2は、RGBベースのマイニングアクションサーベイサポートにおいて、ドメインシフトの堅牢性を評価するための信頼性の高いベンチマークを提供する。
関連論文リスト
- ReLATE: Reliability-Guided Evidence Fusion for Robust UAV--Satellite cross-view Geo-Localization [7.939478984686487]
無人航空機 (UAV) 衛星画像とUAV画像が一致している。
実際の飛行では、UAV観測は悪天候、照明の変化、プラットフォームの動き、センサーノイズ、圧縮によって頻繁に影響を受ける。
UAVSat-Degは, 劣化したUAV衛星のジオローカライゼーションのための大規模ロバスト性ベンチマークである。
論文 参考訳（メタデータ） (2026-07-28T10:07:18Z) - NegAS: Negative Label Guided Attention and Scoring for Out-of-Distribution Object Detection with Vision-Language Models [10.936920515353107]
アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルなアプリケーションにおけるオブジェクト検出システムの堅牢性と信頼性を保証するために不可欠である。
従来の研究は主に一様検出器や視覚言語モデル(VLM)に基づく分類器に焦点を合わせてきたが、OODシナリオにおけるVLMに基づく物体検出装置の可能性はまだ検討されていない。
我々は,VLM検出器に特有の2つの課題を識別する: (i) テキスト誘導アテンションはIDラベルで前景を増強するが,背景を均一に扱い, (ii) シグモノイドをベースとしたマルチラベル出力はソフトマックスベースのOODスコアと互換性がない。
論文 参考訳（メタデータ） (2026-06-21T14:50:41Z) - 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) - Depth-Enhanced YOLO-SAM2 Detection for Reliable Ballast Insufficiency Identification [6.122855247403851]
YOLO-SAM2は,RGB-Dデータを用いた鉄道線路のバラスト異常検出のためのフレームワークである。
信頼性を向上させるため,スリーパー・アライン・パイプラインによって実現された深度に基づく幾何解析を取り入れた。
実験により、深度を増す構成はバラストの不足の検出を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-02-21T21:49:06Z) - SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。
具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。
各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-07-01T07:03:51Z) - From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。
近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。
グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文 参考訳（メタデータ） (2023-08-20T11:56:25Z) - SAFE: Sensitivity-Aware Features for Out-of-Distribution Object
Detection [10.306996649145464]
バッチ正規化による残差畳み込み層は感性認識機能(SAFE)を生じることを示す。
SAFEは、分布外検出と分布内検出を区別するために一貫して強力である。
検出対象毎にSAFEベクターを抽出し,サロゲートタスクで多層パーセプトロンを訓練し,クリーンな分布内例から逆摂動を識別する。
論文 参考訳（メタデータ） (2022-08-29T23:57:55Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳（メタデータ） (2021-10-05T10:45:51Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z)
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。