論文の概要: Utilizing Mask R-CNN for Waterline Detection in Canoe Sprint Video Analysis

• arxiv url: http://arxiv.org/abs/2004.09573v1
• Date: Mon, 20 Apr 2020 19:00:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:54:57.766847
• Title: Utilizing Mask R-CNN for Waterline Detection in Canoe Sprint Video Analysis
• Title（参考訳）: カヌースプリントビデオ解析におけるマスクR-CNNを用いた水線検出
• Authors: Marie-Sophie von Braun and Patrick Frenzel and Christian K\"ading and Mirco Fuchs
• Abstract要約: 本稿では,自動水線検出手法を提案する。 セグメントの輪郭から水線を推定する多段階的手法を開発した。 我々は,いくつかの専門家を対象に,地下水の真理を推定する調査を行った。
• 参考スコア（独自算出の注目度）: 5.735035463793008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Determining a waterline in images recorded in canoe sprint training is an important component for the kinematic parameter analysis to assess an athlete's performance. Here, we propose an approach for the automated waterline detection. First, we utilized a pre-trained Mask R-CNN by means of transfer learning for canoe segmentation. Second, we developed a multi-stage approach to estimate a waterline from the outline of the segments. It consists of two linear regression stages and the systematic selection of canoe parts. We then introduced a parameterization of the waterline as a basis for further evaluations. Next, we conducted a study among several experts to estimate the ground truth waterlines. This not only included an average waterline drawn from the individual experts annotations but, more importantly, a measure for the uncertainty between individual results. Finally, we assessed our method with respect to the question whether the predicted waterlines are in accordance with the experts annotations. Our method demonstrated a high performance and provides opportunities for new applications in the field of automated video analysis in canoe sprint.
• Abstract（参考訳）: カヌースプリントトレーニングで記録された画像中の水線を決定することは、運動選手のパフォーマンスを評価するための運動パラメータ分析の重要な要素である。 本稿では,水線の自動検出手法を提案する。 まず,事前学習したMask R-CNNを用いて,カヌーセグメンテーションの伝達学習を行った。 第2に,セグメントの輪郭から水線を推定する多段階アプローチを開発した。 2つの線形回帰段階とカヌー部分の体系的な選択からなる。 次に,水線のパラメータ化をさらなる評価の基盤として導入した。 次に,いくつかの専門家による調査を行い,地下水の真理を推定した。 これは、個々の専門家の注釈から引き出された平均的な水線を含むだけでなく、より重要なことは、個々の結果の不確実性の尺度である。 最後に, 予測された水線が専門家の注釈に従っているかという質問に対して, 提案手法を評価した。 本手法は高い性能を示し,カヌースプリントにおける自動ビデオ解析の分野における新たな応用機会を提供する。

関連論文リスト

• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• Cross-domain Sound Recognition for Efficient Underwater Data Analysis [4.373836150479923]
  本研究では, 水中音の広帯域学習モデルを用いて, 水中音響データを解析するための新しい深層学習手法を提案する。 我々は,PCA と UMAP の可視化を用いて2次元空間にデータをクラスタ化し,これらのクラスタ内の点を聴き,それらの定義特性を理解する。 第2部では、選択した水中データと非水中データセットの両方を用いてニューラルネットワークモデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-07T02:26:32Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• On the Viability of Monocular Depth Pre-training for Semantic Segmentation [48.29060171161375]
  本研究は,意味的タスクへの下流移動において,幾何学的タスクの事前学習が有効かどうかを考察する。 単分子深度は意味的セグメンテーションのための事前学習の実行可能な形式であり、共通ベースラインの改善によって検証される。
  論文  参考訳（メタデータ） (2022-03-26T04:27:28Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• X-Distill: Improving Self-Supervised Monocular Depth via Cross-Task Distillation [69.9604394044652]
  そこで本研究では,クロスタスク知識蒸留による単眼深度の自己指導的訓練を改善する手法を提案する。 トレーニングでは,事前訓練されたセマンティックセグメンテーション教師ネットワークを使用し,そのセマンティック知識を深度ネットワークに転送する。 提案手法の有効性をKITTIベンチマークで評価し,最新技術と比較した。
  論文  参考訳（メタデータ） (2021-10-24T19:47:14Z)
• HED-UNet: Combined Segmentation and Edge Detection for Monitoring the Antarctic Coastline [14.235722825330493]
  深層学習モデルにおける海岸線検出のための2つのアプローチを結合する新しいモデルを考案した。 複数の解像度でサイド予測を深く監視し、トレーニングを効率化します。 このアプローチの実装はurlhttps://github.com/kr/HED-UNetで公開されている。
  論文  参考訳（メタデータ） (2021-03-02T16:35:05Z)
• Application of Deep Learning-based Interpolation Methods to Nearshore Bathymetry [0.82354995224692]
  本研究では, 深層学習に基づく深層水深計測手法について, 疎度, マルチスケール計測による評価を行った。 本稿では, 深部ニューラルネットワーク(DNN)を用いて, 深部潜水量計の後方推定を計算し, 後方分布からサンプルを抽出する条件付き生成逆ネットワーク(cGAN)を提案する。
  論文  参考訳（メタデータ） (2020-11-19T08:22:00Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Semantic Segmentation of Underwater Imagery: Dataset and Benchmark [13.456412091502527]
  水中イメージリー(SUIM)のセマンティック分析のための最初の大規模データセットを提示する。 魚(無脊椎動物)、サンゴ礁(無脊椎動物)、水生植物、難破船、人間ダイバー、ロボット、海底植物である。 また、標準的な性能指標に基づいて、最先端のセマンティックセマンティックセマンティクス手法のベンチマーク評価を行う。
  論文  参考訳（メタデータ） (2020-04-02T19:53:14Z)

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。