論文の概要: Small Object Detection in Drone Aerial Imagery with LAF-YOLOv10
- arxiv url: http://arxiv.org/abs/2609.14560v1
- Date: Sun, 13 Sep 2026 14:46:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 12:40:38.833059
- Title: Small Object Detection in Drone Aerial Imagery with LAF-YOLOv10
- Title（参考訳）: LAF-YOLOv10によるドローン航空画像の小型物体検出
- Abstract要約: 汎用物体検出器はUAV映像の精度を低下させ、ターゲットはわずか数ピクセルで、計算能力は限られている。
事前の作業では、独立に検証されたアーキテクチャ技術を1つの検出器に構成し、一度分離された転送で報告された利得を仮定する。
LAF-YOLOv10は4つのテクニックをYOLOv10nに統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General-purpose object detectors lose accuracy on UAV footage, where targets span only a handful of pixels and onboard compute is limited. Prior work composes independently-validated architectural techniques into one detector, assuming gains reported in isolation transfer once combined. We stress-test that assumption directly. LAF-YOLOv10 integrates four techniques into YOLOv10n: a Partial Convolution C2f (PC-C2f) backbone block, an Attention-Guided Feature Pyramid Network (AG-FPN), a P2 detection head replacing the large-object P5 head, and Wise-IoU v3 regression, asking whether their combined effect matches what each contributes alone. We train LAF-YOLOv10 three times (seeds 42, 123, 256) on VisDrone-DET2019, benchmark against unmodified YOLOv10n, and use TIDE error decomposition, per-category breakdown, per-component ablation, attention/loss comparisons, zero-shot transfer to UAVDT, and held-out/test-dev evaluation to localize where the combination succeeds or fails. Composability does not hold here. LAF-YOLOv10 reaches 24.0+/-0.4% mAP@0.5 at 2.14M parameters, 7.8 points below YOLOv10n (31.8%), a deficit that transfers to UAVDT (-10.0 points) and is confirmed by held-out and test-dev evaluation (23.5%, 22.5%). Background false positives, localization error, and duplicate detections move in the direction AG-FPN and Wise-IoU were designed to push. Ablation traces the deficit to a specific source: the P2/-P5 head swap costs 2.5 points independently plus a 2.5-point interaction penalty when layered onto a backbone weakened by PC-C2f, whose own 2.0-point loss is consistent with a partial pretrained-weight transplant (73/150 backbone tensors transfer). The failure is attributable to a specific interaction, not the four components individually. Composability must be verified directly, not assumed. Code/checkpoints: https://github.com/Mudassiruddin7/Small-Object-Detection-in-UAV-Imagery.
- Abstract（参考訳）: 汎用物体検出器はUAV映像の精度を低下させ、ターゲットはわずか数ピクセルで、計算能力は限られている。
事前の作業では、独立に検証されたアーキテクチャ技術を1つの検出器に構成し、一度分離された転送で報告された利得を仮定する。
私たちはその仮定を直接ストレステストします。
LAF-YOLOv10 は YOLOv10n に4つの技術を統合する: 部分的畳み込み C2f (PC-C2f) バックボーンブロック、注意誘導特徴ピラミッドネットワーク (AG-FPN) 、大きなオブジェクト P5 を置き換えた P2 検出ヘッド、そして Wise-OoU v3 回帰。
私たちは、VisDrone-DET2019でLAF-YOLOv10を3回(シード42, 123, 256)トレーニングし、未修正のYOLOv10nに対してベンチマークを行い、TIDEエラー分解、カテゴリ毎の分解、コンポーネント毎のアブレーション、アテンション/ロス比較、UAVDTへのゼロショット転送、コンバインド/テスト-デブ評価を使用して、組み合わせが成功するか失敗するかをローカライズします。
構成性はここでは保たない。
LAF-YOLOv10は2.14Mパラメータで24.0+/-0.4% mAP@0.5に達し、YOLOv10n (31.8%)より7.8ポイント低い。
バックグラウンドの偽陽性、局所誤差、重複検出はAG-FPN と Wise-IoU の方向に移動するように設計された。
P2/P5ヘッドスワップは独立して2.5ポイントと、PC-C2fによって裏骨に層が弱められたときの2.5ポイントの相互作用ペナルティは、その2.0ポイントの損失は、部分的な事前訓練された重量の移植(73/150バックボーンテンソルの移動)と一致している。
障害は、個々の4つのコンポーネントではなく、特定のインタラクションに起因する。
構成性は直接的に検証されなければならない。
コード/チェックポイント:https://github.com/Mudassiruddin7/Small-Object-Detection-in-UAV-Imagery
関連論文リスト
- Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。
生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。
現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
論文 参考訳（メタデータ） (2026-08-17T09:53:27Z) - Real-Time Source-Free Object Detection [40.10658212485104]
自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。
我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
論文 参考訳（メタデータ） (2026-06-30T15:38:56Z) - 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) - LAF-YOLOv10 with Partial Convolution Backbone, Attention-Guided Feature Pyramid, Auxiliary P2 Head, and Wise-IoU Loss for Small Object Detection in Drone Aerial Imagery [0.0]
無人航空機は、監視、交通監視、災害対応のための主要なセンシングプラットフォームとして機能する。
現在の検出器は、わずか数ピクセルのターゲット、散らかった背景、重い閉塞、厳格な計算予算など、UAV固有の課題に対処している。
この研究は、YOLOv10n上に構築されたRAF-YOLOv10を紹介し、ドローン画像の小さな物体検出を改善するために4つの補完技術を統合する。
論文 参考訳（メタデータ） (2026-02-13T18:23:54Z) - Traffic Scene Small Target Detection Method Based on YOLOv8n-SPTS Model for Autonomous Driving [0.0]
自律運転の主な課題は、動的知覚における小さな目標認識である。
既存のアルゴリズムでは、小さなターゲット情報が不足しているため、検出性能が低下している。
小型交通目標の検出精度を向上させる改良型YOLOv8n-SPTSモデルを提案する。
論文 参考訳（メタデータ） (2025-12-10T03:46:57Z) - YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
高精度で軽量な物体検出器YOLOv13を提案する。
ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。
また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-21T15:15:03Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳（メタデータ） (2022-04-05T16:29:49Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Disentangle Your Dense Object Detector [82.22771433419727]
深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。
しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。
そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
論文 参考訳（メタデータ） (2021-07-07T00:52:16Z) - EPP-Net: Extreme-Point-Prediction-Based Object Detection [9.270523894683278]
本研究では,各画素と4つの極点間の相対変位ベクトルを回帰するアンカーフリーの高密度物体検出器を提案する。
また、極点の2つの群、すなわち、連合上の極端断面積(EIoU)の類似度を測定するための新しい測度も提案する。
MS-COCOデータセットでは,ResNet-50では平均精度が39.3%,ResNeXt-101-DCNでは48.3%である。
論文 参考訳（メタデータ） (2021-04-29T01:01:50Z)
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。