論文の概要: The Marine Debris Dataset for Forward-Looking Sonar Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2108.06800v1
• Date: Sun, 15 Aug 2021 19:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 14:48:26.396839
• Title: The Marine Debris Dataset for Forward-Looking Sonar Semantic Segmentation
• Title（参考訳）: 前向きソナーセマンティックセグメンテーションのための海洋デブリデータセット
• Authors: Deepak Singh and Matias Valdenegro-Toro
• Abstract要約: 本稿では,FLS(Forward Looking Sonar)を用いて収集した海洋破片のセグメンテーションのための新しいデータセットを提案する。 このデータセットを作成するために使われるオブジェクトは、典型的な住宅用海洋破片と、散逸した海洋物を含んでいる。 各種エンコーダを用いたアートセマンティックセグメンテーションアーキテクチャの性能を,本データセットで解析した。
• 参考スコア（独自算出の注目度）: 5.1627181881873945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate detection and segmentation of marine debris is important for keeping the water bodies clean. This paper presents a novel dataset for marine debris segmentation collected using a Forward Looking Sonar (FLS). The dataset consists of 1868 FLS images captured using ARIS Explorer 3000 sensor. The objects used to produce this dataset contain typical house-hold marine debris and distractor marine objects (tires, hooks, valves,etc), divided in 11 classes plus a background class. Performance of state of the art semantic segmentation architectures with a variety of encoders have been analyzed on this dataset and presented as baseline results. Since the images are grayscale, no pretrained weights have been used. Comparisons are made using Intersection over Union (IoU). The best performing model is Unet with ResNet34 backbone at 0.7481 mIoU. The dataset is available at https://github.com/mvaldenegro/marine-debris-fls-datasets/
• Abstract（参考訳）: 海洋破片の正確な検出とセグメンテーションは、水域をきれいに保つために重要である。 本稿では,FLS (Forward Looking Sonar) を用いて収集した海洋破片のセグメンテーションのための新しいデータセットを提案する。 データセットは、ARISエクスプローラー3000センサーで撮影された1868個のFLS画像で構成されている。 このデータセットを作成するために使用されるオブジェクトは、典型的な住宅用海洋破片と、散逸した海洋物(タイヤ、フック、バルブ、etc)を含み、11のクラスと背景クラスに分けられる。 各種エンコーダを用いたアートセマンティックセグメンテーションアーキテクチャの性能をこのデータセットで解析し,ベースライン結果として提示した。 画像はグレースケールであるため、事前訓練された重量は使用されていない。 比較はIntersection over Union (IoU)を用いて行われる。 最高のパフォーマンスモデルは、0.7481 mIoUのResNet34バックボーンを持つUnetである。 データセットはhttps://github.com/mvaldenegro/marine-debris-fls-datasets/で利用可能である。

関連論文リスト

• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• LaRS: A Diverse Panoptic Maritime Obstacle Detection Dataset and Benchmark [9.864996020621701]
  我々は,湖沼,河川,海のシーンを特徴とする,最初の海洋パノビュータ障害物検出ベンチマークLaRSを提示する。 LaRSは1ピクセルあたり4000以上のラベル付きキーフレームと9つの前のフレームで構成され、時間的テクスチャの利用を可能にしている。 本稿では,27のセマンティック・パノプティック・セグメンテーション手法と,いくつかのパフォーマンスインサイトと今後の研究方向性について報告する。
  論文  参考訳（メタデータ） (2023-08-18T15:21:15Z)
• DatasetDM: Synthesizing Data with Perception Annotations Using Diffusion Models [61.906934570771256]
  多様な合成画像や知覚アノテーションを生成できる汎用データセット生成モデルを提案する。 本手法は,事前学習した拡散モデルに基づいて,テキスト誘導画像合成を知覚データ生成に拡張する。 拡散モデルのリッチ潜時コードはデコーダモジュールを用いて正確な認識アノテーションとして効果的に復号できることを示す。
  論文  参考訳（メタデータ） (2023-08-11T14:38:11Z)
• Habitat Synthetic Scenes Dataset (HSSD-200): An Analysis of 3D Scene Scale and Realism Tradeoffs for ObjectGoal Navigation [70.82403156865057]
  本研究では,合成3次元シーン・データセット・スケールとリアリズムが,オブジェクトの探索とナビゲートを行う具体的エージェントの訓練作業に与える影響について検討する。 我々の実験によると、我々の小規模データセットで訓練されたエージェントは、はるかに大きなデータセットで訓練されたエージェントと一致するか、より優れています。
  論文  参考訳（メタデータ） (2023-06-20T05:07:23Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• 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)
• KOLOMVERSE: Korea open large-scale image dataset for object detection in the maritime universe [0.5732204366512352]
  KRISO による海洋領域における物体検出のための大規模画像データセット KOLOMVERSE を提案する。 韓国の21の領海から撮影した5,845時間の動画データを収集した。 データセットには3840$times$2160ピクセルのイメージがあり、私たちの知る限り、海洋ドメインにおけるオブジェクト検出のための公開データセットとしては、これまでで最大のものである。
  論文  参考訳（メタデータ） (2022-06-20T16:45:12Z)
• CroCo: Cross-Modal Contrastive learning for localization of Earth Observation data [62.96337162094726]
  地上のLiDAR点雲をリモートセンシング画像上にローカライズすることに興味がある。 本稿では,DEMと高分解能光学画像に基づいて学習を行うコントラスト学習手法を提案する。 ベストシナリオは、トップ1スコア0.71、トップ5スコア0.81を得る。
  論文  参考訳（メタデータ） (2022-04-14T15:55:00Z)
• Learning from THEODORE: A Synthetic Omnidirectional Top-View Indoor Dataset for Deep Transfer Learning [4.297070083645049]
  TheODOREは,14種類の高解像度魚眼画像10万点を含む,新しい大規模屋内データセットである。 リビングルーム、異なる人間キャラクター、インテリアテクスチャの3D仮想環境を作成します。 我々のデータセットは、オブジェクト検出のための微調整CNNに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-11T11:46:33Z)
• TrashCan: A Semantically-Segmented Dataset towards Visual Detection of Marine Debris [17.119080859422127]
  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。
  論文  参考訳（メタデータ） (2020-07-16T04:19:06Z)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。