Nordic Vehicle Dataset (NVD): Performance of vehicle detectors using newly captured NVD from UAV in different snowy weather conditions

要約

【タイトル】Nordic Vehicle Dataset （ NVD ）：新しくキャプチャされた NVD を使用した車両検出器の異なる雪の天候条件でのパフォーマンス

【要約】
– ドローン画像での車両の検出や認識は、非均一な照明効果、劣化、ぼやけ、遮蔽、視界喪失などのさまざまな課題を抱える。
– また、気象条件は、安全上の懸念を引き起こし、収集されたデータに別の高いレベルの課題を追加することがある。
– 以前から、様々な手法が異なる気象条件下での車両の検出や追跡に使用されてきたが、大雪の中での車両の検出は、利用可能なデータの不足のためにまだ研究初期の段階にある。
– さらに、無人航空機（UAV）によってキャプチャされた実際の画像を使用して、雪の天候下での車両の検出に関する研究は行われていない。
– この研究の目的は、北欧地域で異なる状況と各種の雪の被覆条件下で UAV によってキャプチャされた車両データを提供することによって、科学界の課題を解決することである。
– この研究では、Yolo v8、Yolo v5、および fast RCNN などの一般的に使用される物体検出手法のパフォーマンスが評価される。
– さらに、データ拡張技術も探求され、このような状況で検出器のパフォーマンスを向上させる技術が提案される。
– コードとデータセットは https://nvd.ltu-ai.dev で利用できる。

要約(オリジナル)

Vehicle detection and recognition in drone images is a complex problem that has been used for different safety purposes. The main challenge of these images is captured at oblique angles and poses several challenges like non-uniform illumination effect, degradations, blur, occlusion, loss of visibility, etc. Additionally, weather conditions play a crucial role in causing safety concerns and add another high level of challenge to the collected data. Over the past few decades, various techniques have been employed to detect and track vehicles in different weather conditions. However, detecting vehicles in heavy snow is still in the early stages because of a lack of available data. Furthermore, there has been no research on detecting vehicles in snowy weather using real images captured by unmanned aerial vehicles (UAVs). This study aims to address this gap by providing the scientific community with data on vehicles captured by UAVs in different settings and under various snow cover conditions in the Nordic region. The data covers different adverse weather conditions like overcast with snowfall, low light and low contrast conditions with patchy snow cover, high brightness, sunlight, fresh snow, and the temperature reaching far below -0 degrees Celsius. The study also evaluates the performance of commonly used object detection methods such as Yolo v8, Yolo v5, and fast RCNN. Additionally, data augmentation techniques are explored, and those that enhance the detectors’ performance in such scenarios are proposed. The code and the dataset will be available at https://nvd.ltu-ai.dev

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI