論文の概要: Synthetic Thermal Image Generation for Real-Time Animal Detection Under Low-Visibility Conditions
- arxiv url: http://arxiv.org/abs/2609.32944v1
- Date: Sat, 26 Sep 2026 21:10:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 11:42:12.933478
- Title: Synthetic Thermal Image Generation for Real-Time Animal Detection Under Low-Visibility Conditions
- Title（参考訳）: 低視認性条件下でのリアルタイム動物検出のための合成熱画像生成
- Abstract要約: 本稿では,低視認性条件下でのリアルタイム動物検出のためのスケーラブルなアプローチとして,合成熱画像の生成について検討する。
NTLNPデータセットからの514個の注釈付き可視像のサブセットをCycleGAN-Turboを用いて合成熱表現に変換する。
60枚の画像の限られた実際の熱データセットは、熱に焦点を当てた拡張によって拡張される。
- 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: Wildlife-vehicle collisions remain a significant road safety concern, particularly during nighttime and low-visibility conditions when RGB-based perception systems are often unreliable. Thermal imaging offers a promising alternative for detecting animals under poor illumination. However, the limited availability of annotated infrared animal datasets restricts the development of robust deep learning-based detection models. This paper investigates synthetic thermal image generation as a scalable approach for real-time animal detection under low-visibility conditions. A subset of 514 annotated visible-spectrum animal images from the NTLNP dataset is translated into synthetic thermal representations using CycleGAN-Turbo, while a limited real thermal dataset of 60 images is expanded through thermal-focused augmentation. Multiple object detection architectures, including YOLOv8, YOLOv9, YOLOv10, and RT-DETR, are trained independently on synthetic and real thermal datasets and evaluated using precision, recall, mAP@0.5, mAP@0.5:0.95, model size, and inference latency. Experimental results show that synthetic thermal images provide competitive detection performance, with RT-DETR achieving the highest synthetic-data mAP@0.5 of 0.9613. Models trained on augmented real thermal data achieve the strongest overall performance, with YOLOv10s obtaining 0.9879 mAP@0.5 and 0.9571 mAP@0.5:0.95. Computational analysis further indicates that lightweight YOLO variants provide favorable inference latency, supporting their potential for real-time deployment. These findings demonstrate that synthetic thermal imagery can reduce dependence on scarce infrared datasets and support the development of efficient animal detection systems for future vehicle-mounted wildlife collision mitigation applications.
- Abstract（参考訳）: 野生生物と車両の衝突は、特に夜間や低視認性環境では、RGBベースの認識システムが信頼できないことが多い。
熱画像は、照明の弱い動物を検知するための、有望な代替手段を提供する。
しかし、アノテートされた赤外線動物データセットの可用性は制限され、堅牢なディープラーニングに基づく検出モデルの開発が制限される。
本稿では,低視認性条件下でのリアルタイム動物検出のためのスケーラブルなアプローチとして,合成熱画像の生成について検討する。
NTLNPデータセットからの514個の注釈付き可視光動物像のサブセットをCycleGAN-Turboを用いて合成熱表現に変換し、熱焦点拡大により60個の画像の限定的な実熱データセットを拡張する。
YOLOv8, YOLOv9, YOLOv10, RT-DETRを含む複数のオブジェクト検出アーキテクチャは、合成および実際の熱データセットに基づいて独立に訓練され、精度、リコール、mAP@0.5、mAP@0.5:0.95、モデルサイズ、推論遅延を用いて評価される。
その結果,合成熱画像は競合検出性能を示し,RT-DETRは0.9613の最高合成データmAP@0.5を達成した。
改良された実熱データで訓練されたモデルでは、YOLOv10が0.9879 mAP@0.5と0.9571 mAP@0.5:0.95を得るなど、全体的な性能が最も高い。
計算解析により、軽量なYOLO変種は推論遅延を良好に提供し、リアルタイムデプロイメントの可能性をサポートすることが示される。
これらの結果から, 合成熱画像は, 希少な赤外線データセットへの依存を低減し, 将来の車両搭載野生生物衝突防止のための効率的な動物検出システムの開発を支援することが示唆された。
関連論文リスト
- A Conditional U-Net Pipeline with Pre- and Post-Processing for Aerial RGB-to-Thermal Image Translation [0.21964656111848832]
本稿では,気象データをボトルネック層に組み込んだ条件付きU-Netを提案する。
我々は、612対のRGBと熱画像のトレーニングセットを使用し、5倍以上のクロスバリデーションを評価し、最終的にホールドアウトテストセットでテストする。
条件付きU-Netモデルは,ピーク信号対雑音比14.5485,構造類似度指標(SSIM)0.8095,知覚的画像パッチ類似度(LPIPS)0.1666で最高の性能を示した。
論文 参考訳（メタデータ） (2026-05-17T17:49:01Z) - Enhancing Hazy Wildlife Imagery: AnimalHaze3k and IncepDehazeGan [0.0]
AnimalHaze3kは、1,159枚の野生生物の写真から生成される3,477枚の画像からなる合成ハゼのデータセットである。
当社の新規アーキテクチャである IncepDehazeGan は,GAN フレームワークにおける開始ブロックと残留スキップ接続を結合する。
下流検出タスクに適用すると、脱ハズド画像はYOLOv11検出mAPを112%改善し、IoUを67%改善した。
論文 参考訳（メタデータ） (2026-04-17T17:46:32Z) - Thermal Image Refinement with Depth Estimation using Recurrent Networks for Monocular ORB-SLAM3 [1.4027589547318842]
熱画像から深度情報を抽出するパイプラインを提案する。
このネットワークは、軽量な畳み込みバックボーンと熱精錬ネットワーク(T-RefNet)を組み合わせて生熱入力を精錬する。
改良された熱画像と予測深度マップはORB-SLAM3に統合され、熱のみの局在を可能にする。
論文 参考訳（メタデータ） (2026-03-16T09:02:57Z) - Application Research of a Deep Learning Model Integrating CycleGAN and YOLO in PCB Infrared Defect Detection [7.407155043542133]
本稿では,CycleGANとYOLOv8を統合したクロスモーダルデータ拡張フレームワークを提案する。
我々は、CycleGANを利用して未ペア画像から画像への変換を行い、豊富な可視光PCB画像を赤外線領域にマッピングする。
我々は、生成した擬似赤外線データを限られた実赤外サンプルで融合させて、軽量なYOLOv8検出器を訓練する異種トレーニング戦略を構築した。
論文 参考訳（メタデータ） (2026-01-01T07:01:47Z) - Detecting spills using thermal imaging, pretrained deep learning models, and a robotic platform [0.0]
本稿では,RGBと熱画像を用いた事前学習モデルを用いたリアルタイム流出検知システムを提案する。
VGG19やNasNetMobileといった軽量モデルを使って,最大100%の精度を実現しています。
実際のロボットとテストデータセットによる実験の結果、熱画像に基づいて訓練されたVGG19モデルが最もよく機能することが示された。
論文 参考訳（メタデータ） (2025-10-09T19:40:58Z) - PanoDiff-SR: Synthesizing Dental Panoramic Radiographs using Diffusion and Super-resolution [60.970656010712275]
PanoDiff と Super-Resolution (SR) を組み合わせて合成歯科用パノラマ線写真(PR)を作製する手法を提案する。
前者は、SRモデルで処理されたPRの低分解能(LR)シードを生成し、1024×512の高分解能(HR)PRを生成する。
SRでは,局所的・言語的関係を学習し,よりシャープなエッジやテクスチャをもたらす最先端のトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2025-07-12T09:52:10Z) - DEAL: Data-Efficient Adversarial Learning for High-Quality Infrared Imaging [47.22313650077835]
温度劣化シミュレーションをミニマックス最適化によりトレーニングプロセスに統合する。
シミュレーションは、目的関数を最大化するために動的であり、これにより、劣化したデータ分布の幅広いスペクトルをキャプチャする。
このアプローチにより、限られたデータによるトレーニングが可能になり、モデルのパフォーマンスが向上する。
論文 参考訳（メタデータ） (2025-03-02T14:15:44Z) - Super-resolving Real-world Image Illumination Enhancement: A New Dataset and A Conditional Diffusion Model [43.93772529301279]
本稿では,効率的な条件拡散確率モデルに基づくSRRIIEデータセットを提案する。
画像はILDCカメラと光学ズームレンズで撮影し、露光レベルは6EVから0EV、ISOレベルは50～12800である。
既存の手法は, 複雑なノイズから復元した画像の構造やシャープさを保ちつつも, 有効性は低いことが示唆された。
論文 参考訳（メタデータ） (2024-10-16T18:47:04Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - A Large-Scale, Time-Synchronized Visible and Thermal Face Dataset [62.193924313292875]
DEVCOM Army Research Laboratory Visible-Thermal Faceデータセット(ARL-VTF)を発表します。
395人の被験者から50万枚以上の画像が得られたARL-VTFデータセットは、これまでで最大の可視画像とサーマルフェイス画像の収集データだ。
本論文では,ALL-VTFデータセットを用いたサーマルフェースランドマーク検出とサーマル・トゥ・ヴィジブルフェース検証のベンチマーク結果と分析について述べる。
論文 参考訳（メタデータ） (2021-01-07T17:17:12Z) - Exploring Thermal Images for Object Detection in Underexposure Regions
for Autonomous Driving [67.69430435482127]
アンダーエクスポージャー地域は、安全な自動運転のための周囲の完全な認識を構築するのに不可欠である。
サーマルカメラが利用可能になったことで、他の光学センサーが解釈可能な信号を捉えていない地域を探索するための重要な代替手段となった。
本研究は,可視光画像から熱画像へ学習を伝達するためのスタイル伝達手法を用いたドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-01T09:59:09Z)
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。