論文の概要: A Generative Approach for Detection-driven Underwater Image Enhancement
- arxiv url: http://arxiv.org/abs/2012.05990v1
- Date: Thu, 10 Dec 2020 21:33:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:19:46.511910
- Title: A Generative Approach for Detection-driven Underwater Image Enhancement
- Title（参考訳）: 検出駆動型水中画像強調のための生成的アプローチ
- Authors: Chelsey Edge, Md Jahidul Islam, Christopher Morse, Junaed Sattar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 19.957923413999673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a generative model for image enhancement
specifically for improving diver detection in the underwater domain. In
particular, we present a model that integrates generative adversarial network
(GAN)-based image enhancement with the diver detection task. Our proposed
approach restructures the GAN objective function to include information from a
pre-trained diver detector with the goal to generate images which would enhance
the accuracy of the detector in adverse visual conditions. By incorporating the
detector output into both the generator and discriminator networks, our model
is able to focus on enhancing images beyond aesthetic qualities and
specifically to improve robotic detection of scuba divers. We train our network
on a large dataset of scuba divers, using a state-of-the-art diver detector,
and demonstrate its utility on images collected from oceanic explorations of
human-robot teams. Experimental evaluations demonstrate that our approach
significantly improves diver detection performance over raw, unenhanced images,
and even outperforms detection performance on the output of state-of-the-art
underwater image enhancement algorithms. Finally, we demonstrate the inference
performance of our network on embedded devices to highlight the feasibility of
operating on board mobile robotic platforms.
- Abstract（参考訳）: 本稿では,水中領域におけるダイバー検出を改善するために,画像強調のための生成モデルを提案する。
特に,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目標関数を再構成し,事前学習したダイバー検出器からの情報を含むことにより,視覚条件が悪ければ検出者の精度を向上する画像を生成する。
検出器出力をジェネレータと識別器ネットワークの両方に組み込むことで、美的品質以上の画像の改善、特にスキューバダイバーのロボットによる検出の改善に焦点を絞ることができる。
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なデータセット上でネットワークをトレーニングし、人間のロボットチームの海洋探査から収集した画像にその有用性を実証する。
実験により,本手法は生画像のダイバー検出性能を大幅に向上させるとともに,最先端水中画像強調アルゴリズムの出力における検出性能も向上することが示された。
最後に,組込みデバイス上でのネットワークの推論性能を実証し,モバイルロボットプラットフォーム上での動作可能性を強調した。
関連論文リスト
- Evaluating the Impact of Underwater Image Enhancement on Object Detection Performance: A Comprehensive Study [1.7933377464816112]
本研究の目的は、最先端の画像強調モデルの評価、水中物体検出への影響調査、検出性能向上の可能性を探ることである。
論文 参考訳（メタデータ） (2024-11-21T22:59:15Z) - DA-HFNet: Progressive Fine-Grained Forgery Image Detection and Localization Based on Dual Attention [12.36906630199689]
DA-HFNet鍛造画像データセットをテキストまたは画像支援GANおよび拡散モデルで作成する。
我々のゴールは、階層的なプログレッシブネットワークを使用して、異なるスケールの偽造物を検出およびローカライゼーションするために捕獲することである。
論文 参考訳（メタデータ） (2024-06-03T16:13:33Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - Dual Adversarial Resilience for Collaborating Robust Underwater Image
Enhancement and Perception [54.672052775549]
本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。
本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。
実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
論文 参考訳（メタデータ） (2023-09-03T06:52:05Z) - 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) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-06-15T07:41:12Z) - GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。
我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。
また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-12-07T16:30:51Z) - 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) - 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) - A Benchmark dataset for both underwater image enhancement and underwater
object detection [34.25890702670983]
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。
論文 参考訳（メタデータ） (2020-06-29T03:12:50Z)
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。