Improvised Aerial Object Detection approach for YOLOv3 Using Weighted Luminance

要約

リモートセンシングとは、対象物に物理的に接触することなく画像を取得することです。
現在、リモートセンシングデータは、画像取得期間が短縮されているため、広く好まれています。
地上ターゲットのリモートセンシングは、衛星捕捉からのさまざまな媒体を介した光の伝播に影響を与えるさまざまな要因のため、より困難です。
いくつかの畳み込みニューラル ネットワーク ベースのアルゴリズムが、リモート センシングの分野で実装されています。
教師あり学習は、トレーニングの前にデータがクラスに従ってラベル付けされる機械学習手法です。
ターゲットをより正確に検出して分類するために、バウンディングとアンカー ボックスに基づくアルゴリズムである YOLOv3 が採用されています。
大気中を移動する光のさまざまな効果を処理するために、グレースケール ベースの YOLOv3 構成が導入されています。
予測を改善し、レイリー散乱効果を解決するために、RGB ベースのグレースケール アルゴリズムが提案されています。
取得した画像は、ターゲット検出のためにグレースケール ベースの YOLO3 アルゴリズムで分析およびトレーニングされます。
結果は、グレースケールベースの方法が、従来の YOLOv3 アプローチよりも正確かつ効果的にターゲットを感知できることを示しています。

要約(オリジナル)

Remote sensing is the image acquisition of a target without having physical contact with it. Nowadays remote sensing data is widely preferred due to its reduced image acquisition period. The remote sensing of ground targets is more challenging because of the various factors that affect the propagation of light through different mediums from a satellite acquisition. Several Convolutional Neural Network-based algorithms are being implemented in the field of remote sensing. Supervised learning is a machine learning technique where the data is labelled according to their classes prior to the training. In order to detect and classify the targets more accurately, YOLOv3, an algorithm based on bounding and anchor boxes is adopted. In order to handle the various effects of light travelling through the atmosphere, Grayscale based YOLOv3 configuration is introduced. For better prediction and for solving the Rayleigh scattering effect, RGB based grayscale algorithms are proposed. The acquired images are analysed and trained with the grayscale based YOLO3 algorithm for target detection. The results show that the grayscale-based method can sense the target more accurately and effectively than the traditional YOLOv3 approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google