論文の概要: CoralVOS: Dataset and Benchmark for Coral Video Segmentation
- arxiv url: http://arxiv.org/abs/2310.01946v1
- Date: Tue, 3 Oct 2023 10:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 14:50:26.569414
- Title: CoralVOS: Dataset and Benchmark for Coral Video Segmentation
- Title(参考訳): CoralVOS: コーラルビデオセグメンテーションのためのデータセットとベンチマーク
- Authors: Zheng Ziqiang, Xie Yaofeng, Liang Haixin, Yu Zhibin, Sai-Kit Yeung
- Abstract要約: 第1図で示すような大規模サンゴビデオセグメンテーションデータセット(textbfCoralVOS)を提案する。
我々はCoralVOSデータセットで、最新の6つの最先端ビデオオブジェクトセグメンテーション(VOS)アルゴリズムを含む実験を行いました。
その結果,セグメンテーション精度がさらに向上する可能性がまだ高いことがわかった。
- 参考スコア(独自算出の注目度): 12.434773034255455
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Coral reefs formulate the most valuable and productive marine ecosystems,
providing habitat for many marine species. Coral reef surveying and analysis
are currently confined to coral experts who invest substantial effort in
generating comprehensive and dependable reports (\emph{e.g.}, coral coverage,
population, spatial distribution, \textit{etc}), from the collected survey
data. However, performing dense coral analysis based on manual efforts is
significantly time-consuming, the existing coral analysis algorithms compromise
and opt for performing down-sampling and only conducting sparse point-based
coral analysis within selected frames. However, such down-sampling will
\textbf{inevitable} introduce the estimation bias or even lead to wrong
results. To address this issue, we propose to perform \textbf{dense coral video
segmentation}, with no down-sampling involved. Through video object
segmentation, we could generate more \textit{reliable} and \textit{in-depth}
coral analysis than the existing coral reef analysis algorithms. To boost such
dense coral analysis, we propose a large-scale coral video segmentation
dataset: \textbf{CoralVOS} as demonstrated in Fig. 1. To the best of our
knowledge, our CoralVOS is the first dataset and benchmark supporting dense
coral video segmentation. We perform experiments on our CoralVOS dataset,
including 6 recent state-of-the-art video object segmentation (VOS) algorithms.
We fine-tuned these VOS algorithms on our CoralVOS dataset and achieved
observable performance improvement. The results show that there is still great
potential for further promoting the segmentation accuracy. The dataset and
trained models will be released with the acceptance of this work to foster the
coral reef research community.
- Abstract(参考訳): サンゴ礁は最も価値があり生産的な海洋生態系を定式化し、多くの海洋生物の生息地を提供している。
サンゴ礁の測量と分析は現在、収集された調査データから、包括的で信頼できるレポート(例えば、サンゴのカバレッジ、人口、空間分布、 \textit{etc})の作成に多大な投資を行うサンゴの専門家に限られている。
しかし,手作業による密接なサンゴ解析を行うのは非常に時間がかかるため,既存のサンゴ解析アルゴリズムが妥協し,ダウンサンプリングを行うことを選択し,選択されたフレーム内でのみスパースポイントに基づくサンゴ解析を行う。
しかし、そのようなダウンサンプリングは、推定バイアスを導入するか、あるいは間違った結果をもたらす。
この問題に対処するために,ダウンサンプリングを伴わない,‘textbf{dense coral video segmentation}’を提案する。
ビデオオブジェクトのセグメンテーションを通じて、既存のサンゴ礁分析アルゴリズムよりも、より多く \textit{reliable} と \textit{in-depth} のサンゴ解析を生成することができる。
そのような密集したサンゴの分析を促進するために、図1に示すような大規模サンゴビデオセグメンテーションデータセットである \textbf{CoralVOS} を提案する。
私たちの知る限りでは、CoralVOSはサンゴの動画セグメンテーションをサポートする最初のデータセットとベンチマークです。
我々はCoralVOSデータセットで、最新の6つの最先端ビデオオブジェクトセグメンテーション(VOS)アルゴリズムを含む実験を行った。
CoralVOSデータセット上でこれらのVOSアルゴリズムを微調整し、観測可能なパフォーマンス改善を実現しました。
その結果,セグメンテーション精度がさらに向上する可能性がまだ高いことがわかった。
データセットとトレーニングされたモデルがリリースされ、サンゴ礁研究コミュニティを育成する作業が受理される。
関連論文リスト
- CoralSCOP-LAT: Labeling and Analyzing Tool for Coral Reef Images with Dense Mask [14.092526875441221]
本研究では,サンゴ礁の自動・半自動ラベル付け・分析ツールであるCoralSCOP-LATを提案する。
提案されたCoralSCOP-LATは、分析効率、精度、柔軟性から、既存のツールをはるかに上回っている。
我々のサンゴ礁分析ツールであるCoralSCOP-LATは、大規模なサンゴ礁モニタリングを繰り返すのに役立ちます。
論文 参考訳(メタデータ) (2024-10-27T13:26:44Z) - Automatic Coral Detection with YOLO: A Deep Learning Approach for Efficient and Accurate Coral Reef Monitoring [0.0]
サンゴ礁は、人為的な影響や気候変動によって脅威にさらされている重要な生態系である。
本稿では,深層学習モデルを用いたサンゴ自動検出システムを提案する。
論文 参考訳(メタデータ) (2024-04-03T08:00:46Z) - Deep learning for multi-label classification of coral conditions in the
Indo-Pacific via underwater photogrammetry [24.00646413446011]
本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。
既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。
提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
論文 参考訳(メタデータ) (2024-03-09T14:42:16Z) - Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan
Klasifikasi Citra [3.254879465902239]
本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。
この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。
その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
論文 参考訳(メタデータ) (2023-08-08T15:30:08Z) - Reef-insight: A framework for reef habitat mapping with clustering
methods via remote sensing [0.3670422696827526]
我々は、高度なクラスタリング手法とリーフ生息地マッピングのためのリモートセンシングを特徴とする教師なし機械学習フレームワークであるReef-Insightを紹介する。
本フレームワークは,リモートセンシングデータを用いたサンゴ礁生息域マッピングのための異なるクラスタリング手法の比較を行う。
以上の結果から,サンゴ礁の生息環境を概観した詳細な分布図を作成できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-01-26T00:03:09Z) - Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。
従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。
本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文 参考訳(メタデータ) (2021-05-22T10:17:38Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳(メタデータ) (2021-04-02T02:07:37Z) - Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。
私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
論文 参考訳(メタデータ) (2021-01-19T03:08:03Z) - Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。
実際には、意味情報はデータから学んだ潜在的な分布によって表現される。
ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
論文 参考訳(メタデータ) (2020-07-28T09:17:50Z) - The Devil is in Classification: A Simple Framework for Long-tail Object
Detection and Instance Segmentation [93.17367076148348]
本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。
主な原因は、オブジェクト提案の不正確な分類である。
そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-23T12:49:07Z) - DenoiSeg: Joint Denoising and Segmentation [75.91760529986958]
我々は,いくつかの注釈付き基底真理セグメンテーションでエンドツーエンドに学習できる新しい手法であるDenoySegを提案する。
我々は、ノイズの多い画像だけで訓練できる自己教師付き遮音方式であるNoss2Voidを拡張して、密度の高い3クラスセグメンテーションを予測する。
論文 参考訳(メタデータ) (2020-05-06T17:42:54Z)
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。