論文の概要: TrashCan: A Semantically-Segmented Dataset towards Visual Detection of
Marine Debris
- arxiv url: http://arxiv.org/abs/2007.08097v1
- Date: Thu, 16 Jul 2020 04:19:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 23:51:44.851509
- Title: TrashCan: A Semantically-Segmented Dataset towards Visual Detection of
Marine Debris
- Title(参考訳): TrashCan: 海藻の視覚的検出に向けたセマンティックセグメンテーションデータセット
- Authors: Jungseok Hong, Michael Fulton, and Junaed Sattar
- Abstract要約: TrashCanは、さまざまなソースから収集された水中ゴミの大規模なデータセットである。
ロボットの配置に適した効率的で正確なゴミ検出手法を開発することが目的である。
- 参考スコア(独自算出の注目度): 17.119080859422127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents TrashCan, a large dataset comprised of images of
underwater trash collected from a variety of sources, annotated both using
bounding boxes and segmentation labels, for development of robust detectors of
marine debris. The dataset has two versions, TrashCan-Material and
TrashCan-Instance, corresponding to different object class configurations. The
eventual goal is to develop efficient and accurate trash detection methods
suitable for onboard robot deployment. Along with information about the
construction and sourcing of the TrashCan dataset, we present initial results
of instance segmentation from Mask R-CNN and object detection from Faster
R-CNN. These do not represent the best possible detection results but provides
an initial baseline for future work in instance segmentation and object
detection on the TrashCan dataset.
- Abstract(参考訳): 本論文は, 各種資料から収集した水中ゴミの画像からなる大規模データセットであるgascanを, 境界ボックスとセグメンテーションラベルを用いてアノテートし, 海洋ゴミのロバスト検出装置の開発を行った。
データセットには、異なるオブジェクトクラスの設定に対応する2つのバージョンがある。
最終的な目標は、ロボットの配置に適した効率的で正確なゴミ検出方法を開発することである。
TrashCanデータセットの構築とソーシングに関する情報とともに、Mask R-CNNからのインスタンスセグメンテーションとFaster R-CNNからのオブジェクト検出の初期結果を示す。
これらは最高の検出結果を示すものではないが、TrashCanデータセットのインスタンスセグメンテーションとオブジェクト検出における将来の作業のための最初のベースラインを提供する。
関連論文リスト
- SeMoLi: What Moves Together Belongs Together [30.676299065869888]
動作手がかりに基づく半教師付き物体検出に挑戦する。
近年,移動物体の擬似ラベルインスタンスに対して,動きに基づくクラスタリング手法が適用可能であることが示唆された。
我々は、このアプローチを再考し、オブジェクト検出とモーションインスパイアされた擬似ラベルの両方が、データ駆動方式で取り組めることを示唆する。
論文 参考訳(メタデータ) (2024-02-29T18:54:53Z) - Edge-Aware Mirror Network for Camouflaged Object Detection [5.032585246295627]
エッジ検出と擬似オブジェクトセグメンテーションをモデル化する新しいエッジ対応ミラーネットワーク(EAMNet)を提案する。
EAMNetは2分岐アーキテクチャを持ち、セグメンテーションによるエッジアグリゲーションモジュールとエッジによる完全アグリゲーションモジュールがセグメンテーションブランチとエッジ検出ブランチをクロスガイドするように設計されている。
実験の結果,EAMNetは3つの広く使用されているCODデータセットにおいて,既存の最先端ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-07-08T08:14:49Z) - Linear Object Detection in Document Images using Multiple Object
Tracking [58.720142291102135]
線形オブジェクトは文書構造に関する実質的な情報を伝達する。
多くのアプローチはベクトル表現を復元できるが、1994年に導入された1つのクローズドソース技術のみである。
複数オブジェクト追跡を用いた文書画像中の線形オブジェクトの正確なインスタンスセグメンテーションのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-26T14:22:03Z) - A Tri-Layer Plugin to Improve Occluded Detection [100.99802831241583]
本研究では,2段階物体検出装置の頭部検出のための単純な''モジュールを提案し,部分閉塞物体のリコールを改善する。
モジュールは、ターゲットオブジェクト、オクルーダー、オクラデーのセグメンテーションマスクの三層を予測し、それによってターゲットオブジェクトのマスクをより正確に予測することができる。
また,COCO評価データセットを構築し,部分閉塞オブジェクトと分離オブジェクトのリコール性能を測定した。
論文 参考訳(メタデータ) (2022-10-18T17:59:51Z) - Detection Hub: Unifying Object Detection Datasets via Query Adaptation
on Language Embedding [137.3719377780593]
新しいデザイン(De Detection Hubという名前)は、データセット認識とカテゴリ整列である。
データセットの不整合を緩和し、検出器が複数のデータセットをまたいで学習するための一貫性のあるガイダンスを提供する。
データセット間のカテゴリは、ワンホットなカテゴリ表現を単語埋め込みに置き換えることで、意味的に統一された空間に整列される。
論文 参考訳(メタデータ) (2022-06-07T17:59:44Z) - Prototypical Cross-Attention Networks for Multiple Object Tracking and
Segmentation [95.74244714914052]
複数のオブジェクトのトラッキングとセグメンテーションには、与えられたクラスのセットに属するオブジェクトを検出し、追跡し、セグメンテーションする必要がある。
オンライン上でリッチ・テンポラル情報を活用するプロトタイプ・クロス・アテンション・ネットワーク(PCAN)を提案する。
PCANは、Youtube-VISとBDD100Kデータセットで、現在のビデオインスタンス追跡とセグメンテーションコンテストの勝者を上回っている。
論文 参考訳(メタデータ) (2021-06-22T17:57:24Z) - ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。
このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。
最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
論文 参考訳(メタデータ) (2021-06-04T22:17:09Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳(メタデータ) (2021-05-07T03:49:26Z) - A Multi-Level Approach to Waste Object Segmentation [10.20384144853726]
カラー画像とオプションの深度画像から廃棄物を局所化する問題に対処する。
本手法は,複数の空間的粒度レベルでの強度と深度情報を統合する。
我々は, この領域における今後の研究を促進するために, 新たなRGBD廃棄物分節MJU-Wasteを作成している。
論文 参考訳(メタデータ) (2020-07-08T16:49:25Z)
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。