論文の概要: Beyond Clear Skies: Synthetic Seasonal and Weather Variations for Real-World Drone Detection

• arxiv url: http://arxiv.org/abs/2608.16191v1
• Date: Mon, 17 Aug 2026 07:14:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.564946
• Title: Beyond Clear Skies: Synthetic Seasonal and Weather Variations for Real-World Drone Detection
• Title（参考訳）: 鮮明なスキーを超えて:現実世界のドローン検出のための合成季節と天気の変化
• Abstract要約: 本稿では,都市ドローン検出における悪天候と季節的ドメインシフトを対象とするSynDroneVision-Weather(SDV-W)について紹介する。 SDV-Wは3つの都市環境からの55,187枚の高解像度画像からなり、3つの季節構成と多様な気象条件にまたがっている。 SDV-Wは, 異常な外観変化の下で検出信頼性を向上し, 誤検知や誤報を低減し, 汎用合成ドローン検出データの補完として最も有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.981328290471248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable drone detection under real-world deployment conditions requires training data that spans the full operational design domain, including adverse weather and seasonal appearance variation. However, acquiring and annotating such data at scale remains highly resource-intensive, as adverse-weather conditions are inherently difficult to control, reproduce, and sample systematically. Existing datasets therefore typically provide only limited coverage of such conditions. Conversely, synthetic data offers a scalable alternative: environmental variation becomes controllable, while modern game-engine-based pipelines provide realistic rendering and automatic annotations. Leveraging this potential, we introduce SynDroneVision-Weather (SDV-W), an systematic extension of SynDroneVision (SDV) targeting adverse-weather and seasonal domain shifts in urban drone detection. SDV-W comprises 55,187 annotated high-resolution images from three urban environments, rendered across three seasonal configurations and diverse weather conditions, including rain, snow, and fog at multiple severity levels. By preserving SDV's scene and trajectory configuration, SDV-W enables matched clean-adverse comparisons and quantification of condition-specific detector degradation. Across representative YOLO models and real-world datasets, we show that SDV-W improves detector reliability under adverse appearance shifts, reduces missed detections and false alarms, and is most effective as a complement to general-purpose synthetic drone-detection data. SDV-W will be publicly released upon paper acceptance.
• Abstract（参考訳）: 実際の展開条件下での信頼性の高いドローン検出には、悪天候や季節変動など、完全な運用設計領域にまたがるトレーニングデータが必要である。 しかしながら、このようなデータを大規模に取得し、注釈付けすることは、悪天候条件が本質的に制御し、再生し、系統的にサンプルを作成するのが困難であるため、非常に資源集約的なままである。 したがって、既存のデータセットは通常、そのような条件の限られた範囲しか提供しない。 環境変動は制御可能になり、現代のゲームエンジンベースのパイプラインはリアルなレンダリングと自動アノテーションを提供する。 この可能性を生かしたSynDroneVision-Weather(SDV-W)は、都市型ドローン検知における悪天候や季節的なドメインシフトをターゲットとしたSynDroneVision(SDV)の体系的拡張である。 SDV-Wは3つの都市環境からの55,187枚の高解像度画像からなる。 SDVのシーンと軌道構成を保存することで、SDV-Wは整合したクリーン・逆比較と条件固有の検出器劣化の定量化を可能にした。 代表的YOLOモデルと実世界のデータセット全体にわたって、SDV-Wは、外見シフトの悪さの下で検出器の信頼性を向上し、検出ミスや誤報を低減し、汎用的な合成ドローン検出データの補完として最も有効であることを示す。 SDV-Wは、論文の受理時に公開される。

関連論文リスト

• NimbusGS: Unified 3D Scene Reconstruction under Hybrid Weather [83.14198482357388]
  劣化したマルチビューインプットから高品質な3Dシーンを再構築するための統合フレームワークであるNimbusGSを提案する。 特定の気象タイプをターゲットにした既存の手法とは異なり、NimbusGSはより広範な一般化の課題に対処している。
  論文  参考訳（メタデータ） (2026-03-28T10:46:29Z)
• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• FOD-S2R: A FOD Dataset for Sim2Real Transfer Learning based Object Detection [17.442807911285772]
  航空機の燃料タンク内の異物爆発(FOD)は、重大な安全上の危険をもたらす。 燃料タンクの内部にある複雑な囲いのある環境のための専用のデータセットが不足している。 航空機燃料タンク内のFODの実画像と合成画像からなる新しいデータセットFOD-S2Rを提案する。
  論文  参考訳（メタデータ） (2025-12-01T06:16:26Z)
• LiDAR Point Cloud Image-based Generation Using Denoising Diffusion Probabilistic Models [0.2809622746998686]
  現実世界のLiDARデータは時間がかかり、悪天候やセンサーの制限によってノイズや空間に影響を受けることが多い。 本研究は, 拡散確率モデル (DDPM) を適用して, 改良のための高品質な合成データを生成する。
  論文  参考訳（メタデータ） (2025-09-23T12:35:07Z)
• Panoptic-CUDAL: Rural Australia Point Cloud Dataset in Rainy Conditions [16.64392291219147]
  本稿では,雨天地におけるパノプティカルセグメンテーションを目的とした新しいデータセットであるPanoptic-CUDALデータセットを紹介する。 高解像度のLiDAR、カメラ、ポーズデータを記録することで、Panoptic-CUDALは、挑戦的なシナリオにおいて、多種多様な情報豊富なデータセットを提供する。 我々は,記録データの解析を行い,LiDAR点雲上でのパノプティクス,セマンティックセグメンテーション,および3D占有率予測のためのベースライン結果を提供する。
  論文  参考訳（メタデータ） (2025-03-20T17:41:16Z)
• UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
  ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。 本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-25T00:20:37Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)
• 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)
• 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。