論文の概要: Is Underwater Image Enhancement All Object Detectors Need?

• arxiv url: http://arxiv.org/abs/2311.18814v1
• Date: Thu, 30 Nov 2023 18:54:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 15:12:32.165188
• Title: Is Underwater Image Enhancement All Object Detectors Need?
• Title（参考訳）: 水中画像は全ての物体検出器に必要か?
• Authors: Yudong Wang and Jichang Guo and Wanru He and Huan Gao and Huihui Yue and Zenan Zhang and Chongyi Li
• Abstract要約: 全ての物体検出器が前処理として水中画像の強化を必要とするかどうかは不明である。 我々は18の最先端水中画像強調アルゴリズムを用いて水中物体検出データを前処理する。 我々は,異なるアルゴリズムで強化された結果を用いて,一般的な深層学習型物体検出装置7点を再学習し,126個の水中物体検出モデルを得た。
• 参考スコア（独自算出の注目度）: 27.909292529992584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater object detection is a crucial and challenging problem in marine engineering and aquatic robot. The difficulty is partly because of the degradation of underwater images caused by light selective absorption and scattering. Intuitively, enhancing underwater images can benefit high-level applications like underwater object detection. However, it is still unclear whether all object detectors need underwater image enhancement as pre-processing. We therefore pose the questions "Does underwater image enhancement really improve underwater object detection?" and "How does underwater image enhancement contribute to underwater object detection?". With these two questions, we conduct extensive studies. Specifically, we use 18 state-of-the-art underwater image enhancement algorithms, covering traditional, CNN-based, and GAN-based algorithms, to pre-process underwater object detection data. Then, we retrain 7 popular deep learning-based object detectors using the corresponding results enhanced by different algorithms, obtaining 126 underwater object detection models. Coupled with 7 object detection models retrained using raw underwater images, we employ these 133 models to comprehensively analyze the effect of underwater image enhancement on underwater object detection. We expect this study can provide sufficient exploration to answer the aforementioned questions and draw more attention of the community to the joint problem of underwater image enhancement and underwater object detection. The pre-trained models and results are publicly available and will be regularly updated. Project page: https://github.com/BIGWangYuDong/lqit/tree/main/configs/detection/uw_enhancement_affect_detection.
• Abstract（参考訳）: 水中物体検出は海洋工学と水生ロボットにとって重要かつ困難な問題である。 難易度の一部は、光選択的吸収と散乱による水中画像の劣化によるものである。 直感的には、水中画像の強化は水中物体検出のような高度な応用に役立つ。 しかし、全ての物体検出器が前処理として水中画像強調を必要とするかどうかはまだ不明である。 そこで我々は,「水中画像強調は水中物体の検出を本当に改善するのか?」「水中画像強調は水中物体検出にどのように寄与するのか?」という疑問を投げかける。 これら2つの質問により、我々は広範な研究を行う。 具体的には,従来型,cnn型,gan型を含む18の水中画像強調アルゴリズムを用いて,水中物体検出データの事前処理を行う。 次に,異なるアルゴリズムによって強化された結果を用いて,7種類の一般的な深層学習型物体検出器を再訓練し,水中物体検出モデルを得る。 水中画像を用いた7つの物体検出モデルと合わせて,これらの133モデルを用いて水中物体検出に対する水中画像強調の効果を総合的に解析した。 本研究は, 上記の疑問に答え, 水中画像強調と水中物体検出という共同問題にコミュニティの注意を惹きつけるのに十分な探索を期待する。 事前訓練されたモデルと結果は公開されており、定期的に更新される。 プロジェクトページ: https://github.com/bigwangyudong/lqit/tree/main/configs/detection/uw_enhancement_affect_detection。

関連論文リスト

• FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
  無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。 我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。 本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-25T03:54:01Z)
• Deep Learning Innovations for Underwater Waste Detection: An In-Depth Analysis [0.0]
  本稿では, 埋立廃棄物処理とごみ処理の基盤となるため, 最先端のアーキテクチャと既存のデータセットを網羅的に検討する。 第一の目的は、高度な水中センサーと自律型水中車両によって活用される物体の局所化手法のベンチマークを確立することである。
  論文  参考訳（メタデータ） (2024-05-28T15:51:18Z)
• Dual Adversarial Resilience for Collaborating Robust Underwater Image Enhancement and Perception [54.672052775549]
  本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。 本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。 実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
  論文  参考訳（メタデータ） (2023-09-03T06:52:05Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
  既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。 本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。 微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
  論文  参考訳（メタデータ） (2023-08-02T04:17:35Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Review On Deep Learning Technique For Underwater Object Detection [0.0]
  水中構造物の修理と維持、海洋科学は水中物体の検出に大きく依存している。 本稿では,水中物体検出に利用されたデータセットの概要について述べる。
  論文  参考訳（メタデータ） (2022-09-21T07:10:44Z)
• Medium Transmission Map Matters for Learning to Restore Real-World Underwater Images [3.0980025155565376]
  画像強調を支援するためのガイダンスとしてメディア送信マップを導入する。 提案手法は,既存のモデルより30倍高速なテストR90において,22.6dBの高度な結果が得られる。
  論文  参考訳（メタデータ） (2022-03-17T16:13:52Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• Perceptual underwater image enhancement with deep learning and physical priors [35.37760003463292]
  本稿では,2つの知覚強調モデルを提案する。 トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。 実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-21T22:11:34Z)
• A Benchmark dataset for both underwater image enhancement and underwater object detection [34.25890702670983]
  境界ボックスアノテーションと高品質な参照画像の両方を用いた大規模水中物体検出データセットを提供する。 OUCデータセットは、水中物体検出タスクにおける水中画像強調アルゴリズムの影響を包括的に研究するためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2020-06-29T03:12:50Z)

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。