[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Défi MVA 2025 de suivi multi-objets de petits objets pour l'observation des oiseaux : ensemble de données, méthodes et résultats

Created by
  • Haebom

Auteur

Yuki Kondo, Norimichi Ukita, Riku Kanayama, Yuki Yoshida, Takayuki Yamaguchi, Xiang Yu, Guang Liang, Xinyao Liu, Guan-Zhang Wang, Wei-Ta Chu, Bing-Cheng Chuang, Jia-Hua Lee, Pin-Tseng Kuo, I-Hsuan Chu, Yi-Shein Hsiao, Cheng-Han Wu, Po-Yi Wu, Jui-Chien Tsou, Hsuan-Chi Liu, Chun-Yi Lee, Yuan-Fu Yang, Kosuke Shigematsu, Asuka Shin, Ba Tran

Contour

Dans cet article, nous proposons le défi SMOT4SB, qui exploite les informations temporelles pour relever les défis du suivi de petits objets multiples (SMOT). SMOT4SB comprend un ensemble de données de 211 séquences vidéo de drones (108 192 images annotées) capturées dans divers environnements réels, une nouvelle métrique d'évaluation SO-HOTA pour atténuer la sensibilité des métriques basées sur l'IoU aux petits déplacements, et le défi compétitif MVA2025 avec 78 participants et 308 soumissions. Une méthode gagnante est présentée, permettant une amélioration des performances de 5,1 fois par rapport aux références existantes, ouvrant la voie à de nouvelles avancées du SMOT dans des scénarios de drones tels que la prévention des impacts d'oiseaux, l'agriculture, la pêche et la surveillance écologique.

Takeaways, Limitations_

Takeaways:
Fournir un nouvel ensemble de données de référence (SMOT4SB) dans le domaine SMOT
Présentation d'une nouvelle métrique d'évaluation (SO-HOTA) qui surmonte les limites des métriques existantes basées sur l'IoU
Hébergement et annonce des résultats du défi compétitif (MVA2025) pour l'avancement de la technologie SMOT basée sur les drones (amélioration des performances 5,1x)
Suggère des applications potentielles dans divers domaines tels que la prévention des collisions avec les oiseaux, l'agriculture, la pêche et la surveillance écologique
Limitations:
Manque de description détaillée de la composition et des caractéristiques spécifiques de l'ensemble de données SMOT4SB dans l'article
Manque d'analyse des forces et des faiblesses de l'indicateur SO-HOTA et de comparaison avec d'autres indicateurs d'évaluation
Manque d'informations techniques détaillées sur la façon de participer au défi MVA2025 et de gagner
👍