論文の概要: SafeSea: Synthetic Data Generation for Adverse & Low Probability Maritime Conditions

• arxiv url: http://arxiv.org/abs/2311.14764v1
• Date: Fri, 24 Nov 2023 01:10:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 09:36:58.952251
• Title: SafeSea: Synthetic Data Generation for Adverse & Low Probability Maritime Conditions
• Title（参考訳）: SafeSea: 逆・低確率海洋条件のための合成データ生成
• Authors: Martin Tran, Jordan Shipard, Hermawan Mulyono, Arnold Wiliem, Clinton Fookes
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.312671086207228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality training data is essential for enhancing the robustness of object detection models. Within the maritime domain, obtaining a diverse real image dataset is particularly challenging due to the difficulty of capturing sea images with the presence of maritime objects , especially in stormy conditions. These challenges arise due to resource limitations, in addition to the unpredictable appearance of maritime objects. Nevertheless, acquiring data from stormy conditions is essential for training effective maritime detection models, particularly for search and rescue, where real-world conditions can be unpredictable. In this work, we introduce SafeSea, which is a stepping stone towards transforming actual sea images with various Sea State backgrounds while retaining maritime objects. Compared to existing generative methods such as Stable Diffusion Inpainting~\cite{stableDiffusion}, this approach reduces the time and effort required to create synthetic datasets for training maritime object detection models. The proposed method uses two automated filters to only pass generated images that meet the criteria. In particular, these filters will first classify the sea condition according to its Sea State level and then it will check whether the objects from the input image are still preserved. This method enabled the creation of the SafeSea dataset, offering diverse weather condition backgrounds to supplement the training of maritime models. Lastly, we observed that a maritime object detection model faced challenges in detecting objects in stormy sea backgrounds, emphasizing the impact of weather conditions on detection accuracy. The code, and dataset are available at https://github.com/martin-3240/SafeSea.
• Abstract（参考訳）: オブジェクト検出モデルの堅牢性を高めるためには,高品質なトレーニングデータが不可欠である。 海事領域内では、特に嵐の状況において海事物体の存在下で海事画像の撮影が困難であることから、多様な実画像データセットの取得が特に困難である。 これらの課題は、海洋物体の予測不能な外観に加えて、資源の制限によって生じる。 それでも、嵐の状況からデータを取得することは、特に現実世界の状況が予測不可能な捜索・救助のための効果的な海洋検出モデルの訓練に不可欠である。 本研究では,海洋の物体を保持しながら,海面背景の異なる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。 安定拡散インパインティング~\cite{stablediffusion}のような既存の生成方法と比較して、このアプローチは、海洋物体検出モデルのトレーニングの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します。 提案手法は2つの自動フィルタを用いて生成した画像のみを通過させる。 特に、これらのフィルタは、まず海の状態に応じて海況を分類し、入力画像からのオブジェクトがまだ保存されているかどうかをチェックする。 この方法はSafeSeaデータセットの作成を可能にし、海洋モデルのトレーニングを補完するさまざまな気象条件の背景を提供する。 最後に, 海洋物体検出モデルは, 気象条件が検出精度に及ぼす影響を強調して, 嵐海背景の物体検出における課題に直面した。 コードとデータセットはhttps://github.com/martin-3240/safeseaで入手できる。

関連論文リスト

• Introducing VaDA: Novel Image Segmentation Model for Maritime Object Segmentation Using New Dataset [3.468621550644668]
  海上輸送産業はコンピュータビジョン人工知能(AI)の進歩によって急速に進化している 海洋環境における物体認識は、光の反射、干渉、激しい照明、様々な気象条件といった課題に直面します。 既存のAI認識モデルとデータセットは、自律ナビゲーションシステムを構成するのに限定的に適している。
  論文  参考訳（メタデータ） (2024-07-12T05:48:53Z)
• 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)
• 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)
• Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [65.8867003376637]
  本研究では,カモフラージュデータの合成フレームワークを提案する。 提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。 我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-08-13T06:55:05Z)
• Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2 [3.6842260407632903]
  海洋汚染を定量化するための努力は、しばしば粗末で高価な海岸調査によって行われる。 沿岸地域の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出するために利用することができる。 本稿では, 深部セグメンテーションモデル上に構築された海洋破片検出装置について述べる。
  論文  参考訳（メタデータ） (2023-07-05T17:38:48Z)
• KOLOMVERSE: KRISO open large-scale image dataset for object detection in the maritime universe [1.076210145983805]
  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)
• Dual Branch Neural Network for Sea Fog Detection in Geostationary Ocean Color Imager [10.518441342599422]
  本稿では,海霧データセット (SFDD) と二重分岐海霧検出ネットワーク (DB-SFNet) を開発する。 我々は2010年から2020年にかけて,黄海とボーハイ海で観測されたすべての海霧を調査した。 DB-SFNetは、特に雲と霧の混合領域において、検出性能と安定性に優れている。
  論文  参考訳（メタデータ） (2022-05-04T14:01:38Z)
• Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
  本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。 我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
  論文  参考訳（メタデータ） (2021-08-11T14:37:54Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Contemplating real-world object classification [53.10151901863263]
  Barbuらが最近提案したObjectNetデータセットを再分析した。 日常の状況に物を含むこと。 分離されたオブジェクトにディープモデルを適用すると、元の論文のようにシーン全体ではなく、約20～30%の性能改善が得られます。
  論文  参考訳（メタデータ） (2021-03-08T23:29:59Z)

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。