論文の概要: What Limits Thermal Infrared Drone Detection? A Cross-Dataset Benchmark Analysis
- arxiv url: http://arxiv.org/abs/2611.16724v1
- Date: Thu, 12 Nov 2026 12:37:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.468485
- Title: What Limits Thermal Infrared Drone Detection? A Cross-Dataset Benchmark Analysis
- Title(参考訳): 熱赤外ドローン検出の限界は何か? クロスデータセットベンチマーク分析
- Abstract要約: トレーニングデータ構成とモデル特性がYOLOに基づく検出性能,一般化,条件依存障害モードに与える影響について検討する。
実験の結果, 検出性能は, YOLO生成やモデルキャパシティよりも, トレーニングデータ構成によりより強く制御され, クロスデータセットの一般化は顕著な非対称性を示すことがわかった。
- 参考スコア(独自算出の注目度): 0.726437825413781
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thermal infrared (IR) imaging enables drone detection with reduced dependence on ambient illumination, supporting continuous surveillance beyond the limitations of visible-spectrum sensing. However, substantial and often undocumented variability in camera systems, processing pipelines, and annotation practices across public IR drone datasets complicates the assessment of detector performance and cross-domain generalization. To examine these sources of variability and their implications for drone detection, we systematically characterize existing IR datasets and establish an artifact taxonomy reflecting their origins across the acquisition and processing pipeline, encompassing optical and sensor effects, tone mapping and image enhancement, and recording-related artifacts. Focusing on long-wave IR data, we investigate the impact of training data composition and model characteristics on YOLO-based detection performance, generalization, and condition-dependent failure modes. Our results demonstrate that detection performance is governed more strongly by training data composition than by YOLO generation or model capacity, while cross-dataset generalization exhibits pronounced asymmetries. Even the best-performing configuration fails to detect over 40\% of drones, with elevated miss rates for very small targets, cluttered urban backgrounds, and thermal crossover, highlighting the shortcomings of existing datasets.
- Abstract(参考訳): 赤外線(IR)イメージングは、周囲の照明への依存を減らしたドローンの検知を可能にし、可視光センシングの限界を超えた継続的な監視をサポートする。
しかし、カメラシステム、処理パイプライン、およびパブリックIRドローンデータセット間のアノテーションの実践は、検出性能とクロスドメインの一般化の評価を複雑にしている。
これらの変動源とそのドローン検出への影響を調べるため、既存のIRデータセットを体系的に分類し、その起源を捉えたアーティファクト分類を確立し、光学的およびセンサー的効果、トーンマッピングと画像強調、記録関連アーティファクトを包含する。
長波IRデータに着目し,トレーニングデータ構成とモデル特性がYOLOに基づく検出性能,一般化,条件依存障害モードに与える影響について検討する。
実験の結果, 検出性能は, YOLO生成やモデルキャパシティよりも, トレーニングデータ構成によりより強く制御され, クロスデータセットの一般化は顕著な非対称性を示すことがわかった。
最高のパフォーマンス設定でさえ、40倍以上のドローンを検知することができず、非常に小さなターゲットのミス率、散らかった都市背景、サーマルクロスオーバーが増加し、既存のデータセットの欠点を浮き彫りにしている。
関連論文リスト
- Seeing through Denoising: Frequency-guided One-step Denoising for Infrared Small Target Detection [107.7770382447473]
赤外線小目標検出(IRSTD)は、ターゲットが極端に小さいこと、信号と雑音の比が低いこと、赤外線画像における背景の乱れが重いことによる課題である。
DiffIRSTDは、背景再構成問題として、赤外線小ターゲット検出を再構成する新しい生成フレームワークである。
論文 参考訳(メタデータ) (2026-10-21T07:51:11Z) - Training with synthetic data for drone detection in thermal imagery [0.9236074230806578]
中・長波赤外(MWIR/LWIR)画像における地上対空(G2A)ドローン検出は困難である。
本研究では,合成シーン生成と実データによる微調整を組み合わせた合成ファーストトレーニング戦略について検討する。
論文 参考訳(メタデータ) (2026-08-18T13:59:58Z) - Integrated Multimodal AI System for Retrieval-Augmented Reasoning, Object Sensing, and Damage Analysis [4.6225800903606515]
本研究では,損傷評価のための統合型マルチモーダルAIシステムを提案する。
検索強化生成(RAG)モデル、熱スペクトル知覚、ビジョン基礎モデルパイプライン、探索無線信号センシングを統合している。
論文 参考訳(メタデータ) (2026-08-09T21:53:37Z) - SkyEV: RGB-Event UAV detection and tracking dataset and baseline [7.035143064175411]
高度に同期したRGBとイベントベースのデータを特徴とする,オープンソースのデータセットであるSkyEVを紹介する。
SkyEVは、カメラの動きや様々な光学装置など、複雑な現実世界の条件を捉えて、自分自身を区別する。
統一されたデータローダを提供し、実験ベースラインを確立し、挑戦的で小規模なターゲットを検出するデータセットの有効性を実証する。
論文 参考訳(メタデータ) (2026-07-21T06:12:06Z) - 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) - YOLOatr : Deep Learning Based Automatic Target Detection and Localization in Thermal Infrared Imagery [0.0]
そこで我々は, YOLOatrと呼ばれるアンカー型単段検出器を改良し, 検出ヘッドを最適に修正し, 首の核融合, カスタム拡張プロファイルを提案する。
相関テストプロトコルと非相関テストプロトコルの両方を用いたリアルタイムATRのための総合的DSIAC MWIRデータセットの性能評価を行った。
論文 参考訳(メタデータ) (2025-07-15T12:41:01Z) - Cross-Spectral Body Recognition with Side Information Embedding: Benchmarks on LLCM and Analyzing Range-Induced Occlusions on IJB-MDF [51.36007967653781]
ViT(Vision Transformers)は、顔や身体の認識を含む幅広い生体計測タスクにおいて、印象的なパフォーマンスを誇示している。
本研究では、視認性(VIS)画像に事前訓練されたVTモデルを、クロススペクトル体認識の難しい問題に適用する。
このアイデアに基づいて、我々はSide Information Embedding (SIE)を統合し、ドメインとカメラ情報のエンコーディングの影響を調べ、スペクトル間マッチングを強化する。
驚くべきことに、我々の結果は、ドメイン情報を明示的に組み込むことなく、カメラ情報のみを符号化することで、LLCMデータセット上で最先端のパフォーマンスが得られることを示している。
論文 参考訳(メタデータ) (2025-06-10T16:20:52Z) - Multi-Domain Biometric Recognition using Body Embeddings [51.36007967653781]
身体埋め込みは中波長赤外線(MWIR)領域と長波長赤外線(LWIR)領域の顔埋め込みよりも優れていた。
我々は、IJB-MDFデータセット上でのベンチマーク結果を確立するために、ビジョントランスフォーマーアーキテクチャを活用している。
また, クロスエントロピーとトリプルト損失の単純な組み合わせで, VISデータにのみ事前訓練された体モデルを微調整することで, 最先端のmAPスコアが得られることを示す。
論文 参考訳(メタデータ) (2025-03-13T22:38:18Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳(メタデータ) (2024-11-28T13:04:45Z) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳(メタデータ) (2022-09-20T15:18:13Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z)
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。