論文の概要: Marine Snow Removal Benchmarking Dataset
- arxiv url: http://arxiv.org/abs/2103.14249v1
- Date: Fri, 26 Mar 2021 03:54:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:33:45.344776
- Title: Marine Snow Removal Benchmarking Dataset
- Title（参考訳）: 海洋除雪ベンチマークデータセット
- Authors: Yuya Sato, Takumi Ueda, Yuichi Tanaka
- Abstract要約: 本稿では,水中画像の海洋除雪のための新しいベンチマークデータセットを提案する。
実際の水中画像から2種類の海洋性雪を数学的にモデル化する。
本研究では,このデータを用いて2つの海中除雪タスクを提案し,海中除雪のベンチマーク結果を示す。
- 参考スコア（独自算出の注目度）: 10.850101961203748
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper introduces a new benchmarking dataset for marine snow removal of
underwater images. Marine snow is one of the main degradation sources of
underwater images that are caused by small particles, e.g., organic matter and
sand, between the underwater scene and photosensors. We mathematically model
two typical types of marine snow from the observations of real underwater
images. The modeled artifacts are synthesized with underwater images to
construct large-scale pairs of ground-truth and degraded images to calculate
objective qualities for marine snow removal and to train a deep neural network.
We propose two marine snow removal tasks using the dataset and show the first
benchmarking results of marine snow removal. The Marine Snow Removal
Benchmarking Dataset is publicly available online.
- Abstract（参考訳）: 本稿では,水中画像の海洋除雪のための新しいベンチマークデータセットを提案する。
海洋性雪は、水中のシーンと光センサーの間の小さな粒子、例えば有機物や砂によって引き起こされる水中画像の主要な劣化源の1つである。
実際の水中画像から2種類の海洋性雪を数学的にモデル化する。
モデル化されたアーティファクトを水中画像で合成し、大規模に一対の地上構造と劣化した画像を構築し、海洋性除雪の目標品質を計算し、深層ニューラルネットワークを訓練する。
本研究では,このデータを用いて2つの海中除雪タスクを提案し,海中除雪のベンチマーク結果を示す。
Marine Snow removal Benchmarking Datasetはオンラインで公開されている。
関連論文リスト
- UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。
再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-10T16:33:56Z) - A self-supervised CNN for image watermark removal [102.94929746450902]
画像透かし除去(SWCNN)における自己教師型畳み込みニューラルネットワーク(CNN)を提案する。
SWCNNは、透かし分布に従って、ペアのトレーニングサンプルではなく、基準透かし画像を構築するために、自己教師付き方式を使用している。
テクスチャ情報を考慮すると、画像透かし除去の視覚効果を改善するために混合損失を利用する。
論文 参考訳（メタデータ） (2024-03-09T05:59:48Z) - A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳（メタデータ） (2023-11-27T07:19:41Z) - SafeSea: Synthetic Data Generation for Adverse & Low Probability
Maritime Conditions [24.312671086207228]
本研究では,海面背景の異なる実際の海面画像を変換するためのステップストーンであるSafeSeaを紹介する。
このアプローチは、海洋オブジェクト検出モデルをトレーニングするための合成データセットを作成するのに必要な時間と労力を削減する。
論文 参考訳（メタデータ） (2023-11-24T01:10:12Z) - Toward Polar Sea-Ice Classification using Color-based Segmentation and
Auto-labeling of Sentinel-2 Imagery to Train an Efficient Deep Learning Model [3.8768637546735456]
北極海氷の融解パターンと後退は地球温暖化の重要な指標である。
センチネル2衛星は極域の高解像度の光学画像を撮影する。
重要な課題は、基礎となる真実として機能するラベル付きS2トレーニングデータがないことである。
論文 参考訳（メタデータ） (2023-03-08T19:09:22Z) - WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。
提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。
劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
論文 参考訳（メタデータ） (2022-09-27T00:53:26Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳（メタデータ） (2021-06-20T16:06:26Z) - Deep Dense Multi-scale Network for Snow Removal Using Semantic and
Geometric Priors [78.61844008368587]
本研究では, 積雪除去のための深度多スケールネットワーク (textbfDDMSNet) を提案する。
セマンティクスマップと幾何マップを入力として取り入れ,セマンティクス・アウェア表現と幾何アウェア表現を学習して雪を取り除く。
論文 参考訳（メタデータ） (2021-03-21T03:30:30Z) - Big Plastic Masses Detection using Sentinel 2 Images [91.3755431537592]
このコミュニケーションは、地球観測衛星システムを用いて、海や海におけるプラスチック(海洋ゴミ)の大きな塊の検出に関する予備的な研究を記述している。
論文 参考訳（メタデータ） (2021-03-17T10:45:33Z) - Deep Sea Robotic Imaging Simulator [6.2122699483618]
海洋の最大の部分である深海は、現在もほとんど未調査のままである。
深海画像は浅い海域で撮影された画像とは大きく異なり、この地域はコミュニティからはあまり注目されなかった。
本稿では,空気中のテクスチャと深度情報を入力として利用する物理モデルに基づく画像シミュレーションソリューションを提案する。
論文 参考訳（メタデータ） (2020-06-27T16:18:32Z)
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。