論文の概要: Understanding Dynamic Scenes at Gigapixel Scale: Wide-Area Spatio-Temporal Perception from UAVs

• arxiv url: http://arxiv.org/abs/2609.18210v1
• Date: Wed, 16 Sep 2026 06:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.677887
• Title: Understanding Dynamic Scenes at Gigapixel Scale: Wide-Area Spatio-Temporal Perception from UAVs
• Title（参考訳）: ギガピクセルスケールでのダイナミックシーンの理解:UAVからの広域時空間知覚
• Abstract要約: UAV搭載の撮像技術は、メガピクセルからギガピクセルのセンサーへと進歩し、個々のターゲットを認識できるようになり、ダイナミックなシーン全体を理解するようになった。 我々はこの需要を広域時空間理解 (WSTU) として特徴付け, 広域範囲のカバレッジ, ターゲットごとの解像度, 時間連続性を同時に要求する。 超高解像度(12x9564)の空中リモートセンシングデータセット(HARD)を導入し,オブジェクト検出,多目的追跡,シーンレベルの視覚的質問応答の3レベルにアノテートした。
• 参考スコア（独自算出の注目度）: 9.4454231707994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: UAV-borne imaging has advanced from megapixel to gigapixel sensors, shifting aerial perception from recognizing individual targets to understanding entire dynamic scenes. We characterize this demand as Wide-area Spatio-temporal Scene Understanding (WSTU), which requires wide-area coverage, per-target resolution, and temporal continuity at once, a combination existing datasets lack. To fill this gap, we introduce an ultra-High-resolution (12768x9564) Airborne Remote-sensing Dataset (HARD) annotated at three levels for object detection, multi-object tracking, and scene-level visual question answering. Ultra-high-resolution imagery raises per-frame processing time to seconds. At that scale latency can no longer be ignored in evaluation. Thus, we propose a latency-aware metric for multi-object tracking called streaming-HOTA (s-HOTA). Extensive baseline experiments show how ultra-high-resolution processing reshapes each task. For detection, the end-to-end pipeline affects accuracy and speed as much as the detector itself does. For tracking, high latency charges the association axis far more unevenly than the detection axis, and association is where pipelines diverge. As a result, the pipeline that performs best offline can lose its lead under s-HOTA. For VQA, vision-language models remain weak at cross-frame identity binding and cannot transfer their single-frame gains to it. Together these findings show that the baselines we evaluate fall short of WSTU. HARD provides the data and the systematic baselines to advance it.
• Abstract（参考訳）: UAV搭載の撮像技術は、メガピクセルからギガピクセルのセンサーへと進歩し、個々のターゲットを認識できるようになり、ダイナミックなシーン全体を理解するようになった。 我々は、この需要を広帯域時空間理解(WSTU)として特徴づける。これは、広領域のカバレッジ、ターゲットごとの解像度、同時に時間的連続性を必要とするが、既存のデータセットは欠落している。 このギャップを埋めるために,超高解像度(12768x9564)の空中リモートセンシングデータセット(HARD)を導入し,オブジェクト検出,多目的追跡,シーンレベルの視覚的質問応答を行う。 超高解像度画像はフレーム単位の処理時間を数秒に短縮する。 その規模では、評価においてレイテンシを無視することはできない。 そこで本研究では,ストリーミングHoTA(s-HOTA)と呼ばれるマルチオブジェクト追跡のための遅延対応メトリックを提案する。 大規模なベースライン実験は、超高解像度処理が各タスクにどのように影響するかを示している。 検出には、エンドツーエンドのパイプラインが検出器自体の精度と速度に影響を与える。 トラッキングでは、高レイテンシが検出軸よりもはるかに不均一に関連軸を充電し、パイプラインが分岐する。 その結果、最高のオフラインを実行するパイプラインは、s-HOTAの下でリードを失う可能性がある。 VQAでは、ビジョン言語モデルはクロスフレームIDバインディングが弱いままであり、シングルフレームゲインをVQAに転送することはできない。 これらの結果から, 評価基準線はWSTUに劣っていることが明らかとなった。 HARDはそれを進めるためのデータと体系的なベースラインを提供する。

関連論文リスト

• Summarize First, Download Later: Onboard VLMs for Bandwidth-Efficient Earth Observation [3.8194292666685534]
  サムライズ・ファースト・ダウンロード・レイト」パラダイムは、エッジコンピューティングやビジョン・ランゲージ・モデルにおける進歩を生かしている。 資源制約のあるNVIDIA Jetsonプラットフォーム上でシステムを実装し評価する。
  論文  参考訳（メタデータ） (2026-08-07T08:35:46Z)
• Driving in Spikes: An Entropy-Guided Object Detector for Spike Cameras [62.94986160782233]
  スパイクカメラは、マイクロ秒のレイテンシとオブジェクト検出のための超高ダイナミックレンジを提供する。 希少で離散的な出力は標準画像ベースの検出器では処理できない。 デュアルブランチ設計によるエンド・ツー・エンドのスパイクカメラ検出器EASDを提案する。 DSEC Spikeは、最初の駆動指向シミュレートされたスパイク検出ベンチマークである。
  論文  参考訳（メタデータ） (2025-11-19T14:16:17Z)
• Lightweight CNNs for Embedded SAR Ship Target Detection and Classification [0.0]
  高レベルの製品を生成するためのオンボード処理は、ダウンリンクが必要なデータ量を減らすことができる。 本研究では,非焦点SARデータに基づくリアルタイム推論のためのニューラルネットワークの提案と評価を行う。
  論文  参考訳（メタデータ） (2025-08-14T14:55:19Z)
• PGNeXt: High-Resolution Salient Object Detection via Pyramid Grafting Network [24.54269823691119]
  本稿では、データセットとネットワークフレームワークの両方の観点から、より難解な高分解能サルエントオブジェクト検出(HRSOD)について述べる。 HRSODデータセットの欠如を補うため、UHRSDと呼ばれる大規模高解像度の高分解能物体検出データセットを慎重に収集した。 すべての画像はピクセルレベルで微妙にアノテートされ、以前の低解像度のSODデータセットをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-08-02T09:31:21Z)
• LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [53.5449912019877]
  本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。 LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。 これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
  論文  参考訳（メタデータ） (2024-01-03T18:57:27Z)
• V2CE: Video to Continuous Events Simulator [1.1009908861287052]
  ダイナミック・ビジョン・センサ(DVS)の特性を考慮した複数視点からのストリーム変換のための新しい手法を提案する。 慎重に設計された一連のタイムスタンプ損失は、生成されたイベントボクセルの品質を大幅に向上させるのに役立つ。 また,イベント・ボクセルからのイベント・タイムスタンプを連続的に再現するための局所動的推論手法を提案する。
  論文  参考訳（メタデータ） (2023-09-16T06:06:53Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)

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。