論文の概要: MassMIND: Massachusetts Maritime INfrared Dataset

• arxiv url: http://arxiv.org/abs/2209.04097v1
• Date: Fri, 9 Sep 2022 02:54:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-12 13:05:43.745487
• Title: MassMIND: Massachusetts Maritime INfrared Dataset
• Title（参考訳）: マサチューセッツ海洋の赤外線データセット
• Authors: Shailesh Nirgudkar, Michael DeFilippo, Michael Sacarny, Michael Benjamin and Paul Robinette
• Abstract要約: 本稿では,沿岸海洋環境下で得られた2,900以上のLWIR(Long Wave Infrared)セグメント画像のラベル付きデータセットについて述べる。 画像はインスタンスセグメンテーションを使用してラベル付けされ、空、水、障害物、リビング障害物、ブリッジ、自己、背景の7つのカテゴリに分類される。 我々は,このデータセットを3つのディープラーニングアーキテクチャ(UNet,PSPNet,DeepLabv3)にわたって評価し,その有効性について詳細に分析する。
• 参考スコア（独自算出の注目度）: 3.5751176069022983
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in deep learning technology have triggered radical progress in the autonomy of ground vehicles. Marine coastal Autonomous Surface Vehicles (ASVs) that are regularly used for surveillance, monitoring and other routine tasks can benefit from this autonomy. Long haul deep sea transportation activities are additional opportunities. These two use cases present very different terrains -- the first being coastal waters -- with many obstacles, structures and human presence while the latter is mostly devoid of such obstacles. Variations in environmental conditions are common to both terrains. Robust labeled datasets mapping such terrains are crucial in improving the situational awareness that can drive autonomy. However, there are only limited such maritime datasets available and these primarily consist of optical images. Although, Long Wave Infrared (LWIR) is a strong complement to the optical spectrum that helps in extreme light conditions, a labeled public dataset with LWIR images does not currently exist. In this paper, we fill this gap by presenting a labeled dataset of over 2,900 LWIR segmented images captured in coastal maritime environment under diverse conditions. The images are labeled using instance segmentation and classified in seven categories -- sky, water, obstacle, living obstacle, bridge, self and background. We also evaluate this dataset across three deep learning architectures (UNet, PSPNet, DeepLabv3) and provide detailed analysis of its efficacy. While the dataset focuses on the coastal terrain it can equally help deep sea use cases. Such terrain would have less traffic, and the classifier trained on cluttered environment would be able to handle sparse scenes effectively. We share this dataset with the research community with the hope that it spurs new scene understanding capabilities in the maritime environment.
• Abstract（参考訳）: 近年のディープラーニング技術の進歩は、地上車両の自律性の急激な進歩を引き起こしている。 監視、監視、その他のルーチンタスクに定期的に使用される海沿岸自律水上車両(asv)は、この自律性から恩恵を受けることができる。 長距離の深海輸送活動も大きな機会である。 この2つのユースケースは、最初は沿岸海域で、多くの障害物、構造、人間の存在があるが、後者はそのような障害物がほとんどない。 環境条件の変化は両方の地形に共通である。 このような地形をマッピングするロバストラベル付きデータセットは、自律性を促進する状況認識を改善する上で不可欠である。 しかし、そのような海洋データセットは限られており、これらは主に光学画像で構成されている。 ロングウェーブ赤外(Long Wave Infrared、LWIR)は、極端光条件下での光スペクトルの強力な補完であるが、LWIR画像を用いたラベル付き公開データセットは存在しない。 本稿では,沿岸海洋環境下で得られた2,900 LWIR画像のラベル付きデータセットを多種多様な条件下で提示することにより,このギャップを埋める。 画像はインスタンスセグメンテーションを使用してラベル付けされ、空、水、障害物、リビング障害物、ブリッジ、自己、背景の7つのカテゴリに分類される。 また、このデータセットを3つのディープラーニングアーキテクチャ(UNet、PSPNet、DeepLabv3)にわたって評価し、その効果を詳細に分析する。 データセットは沿岸の地形に焦点を当てているが、海洋深層でのユースケースにも等しく役立つ。 このような地形は交通量が少なく、散らかった環境で訓練された分類器は、スパースなシーンを効果的に処理できる。 我々はこのデータセットを研究コミュニティと共有し、海洋環境における新たなシーン理解能力の促進を期待する。

関連論文リスト

• A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
  本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。 収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
  論文  参考訳（メタデータ） (2024-07-04T09:07:25Z)
• Multi-modal Perception Dataset of In-water Objects for Autonomous Surface Vehicles [10.732732686425308]
  本稿では,自律航法のためのマルチモーダル認識データセットについて紹介する。 自律型表面車両(ASV)の環境意識を高めるため、水中環境における水中障害物に焦点を当てている。
  論文  参考訳（メタデータ） (2024-04-29T04:00:19Z)
• Efficient Multi-branch Segmentation Network for Situation Awareness in Autonomous Navigation [0.0]
  この研究は、海上の港湾環境でUSVや無人航空機から視点を捉えたデータセットを構築した。 統計的解析により、海と空の分布と行の位置情報の間に高い相関が示された。 列位置符号化モジュール(RPEM)を用いた3分岐セマンティックセマンティックセマンティクスネットワークを提案し,海と空の間の予測精度を向上した。
  論文  参考訳（メタデータ） (2024-03-30T13:38:07Z)
• 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)
• FLSea: Underwater Visual-Inertial and Stereo-Vision Forward-Looking Datasets [8.830479021890575]
  我々は,地中海と紅海の前方視像と視界慣性画像集合を収集した。 これらのデータセットは、障害物回避、視覚計測、3Dトラッキング、3Dローカライゼーションとマッピング(SLAM)、深さ推定など、いくつかの水中アプリケーションの開発に欠かせない。
  論文  参考訳（メタデータ） (2023-02-24T17:39:53Z)
• Deep Learning Models for River Classification at Sub-Meter Resolutions from Multispectral and Panchromatic Commercial Satellite Imagery [2.121978045345352]
  この研究は、Quickbird、WorldView、GeoEye衛星の画像を用いて北極の河川に焦点を当てている。 我々は、8バンドマルチスペクトルセンサーのRGBとNIRバンドを用いており、これらの訓練されたモデルはすべて、衛星画像特有のトレーニングデータのオンザフライ前処理によって、検証データに対して90%以上の精度とリコールを達成している。 新たなアプローチでは、マルチスペクトルモデルによる結果を用いて、パンクロマチック画像のみを必要とするFCNのトレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-12-27T20:56:34Z)
• 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
  本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。 本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
  論文  参考訳（メタデータ） (2022-07-13T16:40:02Z)
• xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture Radar Imagery [52.67592123500567]
  世界の漁業は海洋資源や生態系に大きな脅威をもたらす。 夜間または夜間、全天候下で暗黒船の自動検出が可能となった。 xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
  論文  参考訳（メタデータ） (2022-06-02T06:53:45Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)

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。