Fugu-MT 論文翻訳(概要): A Benchmark dataset for both underwater image enhancement and underwater object detection

論文の概要: A Benchmark dataset for both underwater image enhancement and underwater object detection

arxiv url: http://arxiv.org/abs/2006.15789v1
Date: Mon, 29 Jun 2020 03:12:50 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 14:50:08.754468
Title: A Benchmark dataset for both underwater image enhancement and underwater object detection
Title（参考訳）: 水中画像強調と水中物体検出のためのベンチマークデータセット
Authors: Long Chen, Lei Tong, Feixiang Zhou, Zheheng Jiang, Zhenyang Li, Jialin Lv, Junyu Dong, and Huiyu Zhou
Abstract要約: 境界ボックスアノテーションと高品質な参照画像の両方を用いた大規模水中物体検出データセットを提供する。 OUCデータセットは、水中物体検出タスクにおける水中画像強調アルゴリズムの影響を包括的に研究するためのプラットフォームを提供する。
参考スコア（独自算出の注目度）: 34.25890702670983
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Underwater image enhancement is such an important vision task due to its significance in marine engineering and aquatic robot. It is usually work as a pre-processing step to improve the performance of high level vision tasks such as underwater object detection. Even though many previous works show the underwater image enhancement algorithms can boost the detection accuracy of the detectors, no work specially focus on investigating the relationship between these two tasks. This is mainly because existing underwater datasets lack either bounding box annotations or high quality reference images, based on which detection accuracy or image quality assessment metrics are calculated. To investigate how the underwater image enhancement methods influence the following underwater object detection tasks, in this paper, we provide a large-scale underwater object detection dataset with both bounding box annotations and high quality reference images, namely OUC dataset. The OUC dataset provides a platform for researchers to comprehensive study the influence of underwater image enhancement algorithms on the underwater object detection task.
Abstract（参考訳）: 水中画像の強調は、海洋工学や水生ロボットにおいて重要であるため、重要な視覚課題である。これは通常、水中物体検出のような高レベルな視覚タスクのパフォーマンスを改善する前処理ステップとして機能する。以前の多くの研究は水中画像強調アルゴリズムが検出器の検出精度を高めることを示していたが、これらの2つのタスクの関係を調べることに特に焦点を当てる作業は行われなかった。これは主に、既存の水中データセットには、検出精度または画像品質評価指標が計算される基準画像のバウンディングボックスアノテーションが欠落しているためである。水中画像強調法が水中物体検出タスクにどのように影響するかを検討するため,本稿では,境界ボックスアノテーションと高品質参照画像,すなわちOUCデータセットを併用した大規模水中物体検出データセットを提案する。 OUCデータセットは、水中物体検出タスクに対する水中画像強調アルゴリズムの影響を研究者が総合的に研究するためのプラットフォームを提供する。

関連論文リスト

Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
論文参考訳（メタデータ） (2024-10-08T00:25:33Z)
Is Underwater Image Enhancement All Object Detectors Need? [27.909292529992584]
全ての物体検出器が前処理として水中画像の強化を必要とするかどうかは不明である。我々は18の最先端水中画像強調アルゴリズムを用いて水中物体検出データを前処理する。我々は,異なるアルゴリズムで強化された結果を用いて,一般的な深層学習型物体検出装置7点を再学習し,126個の水中物体検出モデルを得た。
論文参考訳（メタデータ） (2023-11-30T18:54:08Z)
Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文参考訳（メタデータ） (2023-08-30T07:41:26Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文参考訳（メタデータ） (2023-08-02T04:17:35Z)
Joint Perceptual Learning for Enhancement and Object Detection in Underwater Scenarios [41.34564703212461]
水中物体検出と画像強調を共同で学習する二段階最適化法を提案する。本手法は,視覚的に有利な画像と高い検出精度を出力する。
論文参考訳（メタデータ） (2023-07-07T11:54:06Z)
A Dataset with Multibeam Forward-Looking Sonar for Underwater Object Detection [0.0]
マルチビーム前方ソナー (MFLS) は水中検出において重要な役割を担っている。 MFLSを用いた水中物体検出の研究にはいくつかの課題がある。本稿では,Tritech Gemini 1200ikソナーを用いて,9000枚以上のMFLS画像からなる新しいデータセットを提案する。
論文参考訳（メタデータ） (2022-12-01T08:26:03Z)
Semantic-aware Texture-Structure Feature Collaboration for Underwater Image Enhancement [58.075720488942125]
水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
論文参考訳（メタデータ） (2022-11-19T07:50:34Z)
A Generative Approach for Detection-driven Underwater Image Enhancement [19.957923413999673]
本稿では,GAN(Generative Adversarial Network)に基づく画像強調とダイバー検出タスクを統合したモデルを提案する。提案手法はGAN目的関数を再構成し,事前に訓練されたダイバーディテクタの情報を含む。我々は,最先端のダイバー検出器を用いて,スキューバダイバーの大規模データセット上でネットワークをトレーニングし,海洋探査から収集した画像上でその有用性を示す。
論文参考訳（メタデータ） (2020-12-10T21:33:12Z)
Perceptual underwater image enhancement with deep learning and physical priors [35.37760003463292]
本稿では,2つの知覚強調モデルを提案する。トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-08-21T22:11:34Z)

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。