論文の概要: SkySeaLand: A Wide-Format Satellite Transportation Benchmark with an Ultra-Lightweight Detection Baseline
- arxiv url: http://arxiv.org/abs/2608.07382v1
- Date: Fri, 07 Aug 2026 16:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.563375
- Title: SkySeaLand: A Wide-Format Satellite Transportation Benchmark with an Ultra-Lightweight Detection Baseline
- Title（参考訳）: SkySeaLand:超軽量検出ベースラインを備えた広帯域衛星輸送ベンチマーク
- Abstract要約: 1,307個の高解像度衛星画像と19,101個の検証済みバウンディングボックスからなる公開データセットであるSkySeaLandを紹介した。
コレクションは、大きなソースイメージと広いシーン幾何学によって支配されている。
YOLO,RT-DETR,DETR,Faster R-CNNの12個の検出器を共通スプリットとCOCO測定値を用いて評価した。
- 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: Satellite object detection is challenged by small targets and wide-format scenes that lose detail under standard square-input resizing. We introduce SkySeaLand, a public dataset of 1,307 high-resolution satellite images and 19,101 verified bounding boxes across airplane, boat, car, and ship classes in terrestrial and maritime scenes. Native COCO and YOLO annotations are provided. The collection is dominated by large source images and wide scene geometry: 84.5 percent exceed 3,836 pixels on the longest side and 73.1 percent are near a 3:1 aspect ratio. We evaluate twelve detectors from the YOLO, RT-DETR, DETR, and Faster R-CNN families using a common split and COCO metrics. The tested YOLO and RT-DETR variants obtain 84.4--88.2 mAP50, with no consistent accuracy gain from larger parameter counts under the reported model-specific recipes. We also report SkyDet, a 1.22 M parameter anchor-free baseline that obtains 60.5 mAP50 and 24.32 mAP50-95 in a 4.90 MB footprint, with 13.74 ms latency (72.8 FPS) on a Tesla T4. SkySeaLand provides a compact benchmark for mixed land--maritime transportation detection, while SkyDet establishes a documented low-footprint reference rather than a state-of-the-art accuracy claim.
- Abstract（参考訳）: 衛星物体検出は、標準の正方形インプットリサイズで詳細を失う小さなターゲットと広いフォーマットのシーンによって挑戦される。
SkySeaLandは、1,307個の高解像度衛星画像と19,101個の認証済み境界ボックスからなる公開データセットで、地上および海上の場面で航空機、ボート、車、および船舶のクラスにまたがる。
ネイティブCOCOとYOLOアノテーションが提供されている。
84.5パーセントが3,836ピクセルを超え、73.1%が3:1アスペクト比に近い。
YOLO,RT-DETR,DETR,Faster R-CNNの12個の検出器を共通スプリットとCOCO測定値を用いて評価した。
テストされたYOLOとRT-DETRは84.4--88.2 mAP50を得るが、報告されたモデル固有のレシピの下でより大きなパラメータ数から一貫した精度を得ることはない。
また、1.22MパラメータアンカーフリーのベースラインであるSkyDetも4.90MBのフットプリントで60.5mAP50と24.32mAP50-95を獲得し、Tesla T4では13.74ms(72.8FPS)のレイテンシを持つ。
SkySeaLandは、海上交通の混合検知のためのコンパクトなベンチマークを提供する一方、SkyDetは最先端の精度のクレームではなく、文書化されたローフットプリントのリファレンスを確立する。
関連論文リスト
- MITE-Net: SWaP-Optimized 4K Video Tiny Target Perception for Embodied Edge SAR [9.484473274465303]
高解像度画像におけるリアルタイムの小さな目標認識は、SAR(Search-and-Rescue)ミッションの実施に不可欠である。
本稿では,新しいアーキテクチャ,特殊なデータセット,ハードウェアレベルのベンチマークを含む包括的なフレームワークを紹介する。
論文 参考訳（メタデータ） (2026-08-16T16:02:56Z) - Accurate Localization of Road Traffic Objects on the Road Plane Using Surveillance Camera Imagery [0.0]
本稿では,道路面への車両の足跡の投射を推定する2段階の幾何認識型位置決めパイプラインを提案する。
合成データと実データを用いた実験では, ナイーブな境界箱中心の局在よりも明らかな改善が見られた。
論文 参考訳（メタデータ） (2026-08-06T10:07:53Z) - DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。
ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。
また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
論文 参考訳（メタデータ） (2026-07-19T06:54:52Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - DroneScan-YOLO: Redundancy-Aware Lightweight Detection for Tiny Objects in UAV Imagery [0.0]
DroneScan-YOLOは,4つのコーディネートされた設計選択を通じて制限に対処する,総合的なシステムコントリビューションである。
DroneScan-YOLOは55.3%のmAP@50と35.6%のmAP@50-95を達成し、YOLOv8sベースラインを+16.6と+12.3で上回った。
論文 参考訳（メタデータ） (2026-04-14T20:14:57Z) - SERA-H: Beyond Native Sentinel Spatial Limits for High-Resolution Canopy Height Mapping [3.8902217877872034]
森林管理と生物多様性モニタリングには高分解能の天蓋の高さマッピングが不可欠である。
超高分解能モジュールと時間的アテンションエンコーディングを組み合わせたエンドツーエンドモデルSERA-Hを提案する。
本モデルでは,自由利用可能なSentinel-1とSentinel-2時系列データから2.5mの高さマップを生成する。
論文 参考訳（メタデータ） (2025-12-19T23:23:14Z) - StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [44.96583097079915]
我々は,我々の開発した水中キャリアLiDAR-Radar(UCLR)に基づくリアルタイムエンドツーエンドバイナリ分類フレームワークであるStreakNet-Archを紹介した。
制御された水槽検証条件下では、StreakNet-Arch with Self-Attention または DBC-Attention が従来のバンドパスフィルタリングより優れている。
南シナ海におけるUCLRシステムの検証を行い,深度1000m,幅20mの3Dターゲットに対して46mmの誤差に達した。
論文 参考訳（メタデータ） (2024-04-14T06:19:46Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳（メタデータ） (2023-03-03T14:14:08Z) - Tracking Objects as Points [83.9217787335878]
同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。
トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。
CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
論文 参考訳（メタデータ） (2020-04-02T17:58:40Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳（メタデータ） (2020-02-10T15:25:19Z)
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。