論文の概要: STARS: Zero-shot Sim-to-Real Transfer for Segmentation of Shipwrecks in Sonar Imagery

• arxiv url: http://arxiv.org/abs/2310.01667v1
• Date: Mon, 2 Oct 2023 21:58:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 18:40:12.003109
• Title: STARS: Zero-shot Sim-to-Real Transfer for Segmentation of Shipwrecks in Sonar Imagery
• Title（参考訳）: STARS:ソナー画像における難破船のセグメンテーションのためのゼロショットシミュレート
• Authors: Advaith Venkatramanan Sethuraman, Katherine A. Skinner
• Abstract要約: サイドスキャンソナー画像における難破セグメンテーションの応用に焦点を当てた。 我々のネットワークであるSTARSは、予測変形場と異常体積を融合することでこの問題に対処する。 我々は,本手法のシム・トゥ・リアル転送能力について,実測値と専門家ラベル付きサイドスキャンソナー・データセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 2.580513024249681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the problem of sim-to-real transfer for object segmentation when there is no access to real examples of an object of interest during training, i.e. zero-shot sim-to-real transfer for segmentation. We focus on the application of shipwreck segmentation in side scan sonar imagery. Our novel segmentation network, STARS, addresses this challenge by fusing a predicted deformation field and anomaly volume, allowing it to generalize better to real sonar images and achieve more effective zero-shot sim-to-real transfer for image segmentation. We evaluate the sim-to-real transfer capabilities of our method on a real, expert-labeled side scan sonar dataset of shipwrecks collected from field work surveys with an autonomous underwater vehicle (AUV). STARS is trained entirely in simulation and performs zero-shot shipwreck segmentation with no additional fine-tuning on real data. Our method provides a significant 20% increase in segmentation performance for the targeted shipwreck class compared to the best baseline.
• Abstract（参考訳）: 本稿では,訓練中に興味のある対象の実例,すなわちセグメンテーションのためのゼロショットsim-to-real転送にアクセスできない場合,対象セグメンテーションに対するsim-to-real転送の問題に対処する。 サイドスキャンソナー画像における難破セグメンテーションの応用に焦点を当てた。 提案する新しいセグメンテーションネットワークであるstarsは,予測された変形場と異常体積を融合することにより,実ソナー画像への一般化と,画像セグメンテーションのためのより効果的なゼロショットsim-to-real転送を実現する。 自律型水中探査機(auv)を用いた現場調査から収集した難破船のソナーデータを用いて,本手法のsim-to-real転送性能を評価する。 スターは完全にシミュレーションで訓練され、実データに微調整を加えることなくゼロショットの難破船セグメンテーションを行う。 本手法は, 最良ベースラインと比較して, 目標艦艇級のセグメンテーション性能が20%向上することを示す。

関連論文リスト

• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Lidar Annotation Is All You Need [0.0]
  本稿では,畳み込みニューラルネットワークを用いたマルチセンサ構成による画像分割の効率向上を目的とする。 当社のアプローチにおける重要な革新は、点雲からの粗い接地トラスマスクに対処する、マスク付き損失である。 ベンチマークデータセットに対するアプローチの実験的検証は、高品質の画像セグメンテーションモデルに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-11-08T15:55:18Z)
• Computational Imaging for Machine Perception: Transferring Semantic Segmentation beyond Aberrations [19.795613034423774]
  我々はミニマリスト光学系(MOS)を用いたSSOAによるセマンティックの研究の先駆者である。 我々は,仮想プロトタイプレンズ群(VPL)を光学シミュレーションにより構築し,異なる振る舞いと収差レベルの下でCityscapes-abおよびKITTI-360-abデータセットを生成する。 本稿では,コンピュータイメージングの先行知識を活用するために,CIADA(Computational Imaging Assisted Domain Adaptation)を提案する。
  論文  参考訳（メタデータ） (2022-11-21T08:47:05Z)
• SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
  畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
  論文  参考訳（メタデータ） (2022-09-22T07:33:31Z)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)
• Task2Sim : Towards Effective Pre-training and Transfer from Synthetic Data [74.66568380558172]
  本稿では,グラフィックスシミュレータから下流タスクへの合成データに基づく事前学習モデルの転送可能性について検討する。 本稿では、最適なシミュレーションパラメータに対する下流タスク表現を統一したモデルマッピングであるTask2Simを紹介する。 このマッピングはトレーニングによって学習し、"見える"タスクのセットで最適なパラメータのセットを見つける。 トレーニングが完了すると、ワンショットで新しい"見えない"タスクの最適なシミュレーションパラメータを予測するために使用することができる。
  論文  参考訳（メタデータ） (2021-11-30T19:25:27Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• The Emergence of Objectness: Learning Zero-Shot Segmentation from Videos [59.12750806239545]
  動画は移動成分によって同じシーンを異なる視点で見ることができ、適切な領域分割と領域フローは相互のビュー合成を可能にする。 モデルでは,1枚の画像に対して特徴に基づく領域分割を出力する出現経路と,1枚の画像に対して動作特徴を出力する動き経路の2つの経路から開始する。 セグメントフローに基づく視線合成誤差を最小限に抑えるためにモデルを訓練することにより、我々の外観経路と運動経路は、それぞれ低レベルのエッジや光フローから構築することなく、領域のセグメンテーションとフロー推定を自動的に学習する。
  論文  参考訳（メタデータ） (2021-11-11T18:59:11Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。