論文の概要: DIS-Mine: Instance Segmentation for Disaster-Awareness in Poor-Light Condition in Underground Mines

• arxiv url: http://arxiv.org/abs/2411.13544v1
• Date: Wed, 20 Nov 2024 18:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:12:00.336326
• Title: DIS-Mine: Instance Segmentation for Disaster-Awareness in Poor-Light Condition in Underground Mines
• Title（参考訳）: DIS-Mine:地中鉱山の低光環境における災害認識のためのケースセグメンテーション
• Authors: Mizanur Rahman Jewel, Mohamed Elmahallawy, Sanjay Madria, Samuel Frimpong,
• Abstract要約: DIS-Mineは、低照度または低視認性条件下で地下鉱山内の災害被害地域を特定するように設計されている。 DIS-Mineは、高ノイズ、色歪み、コントラストの低減といった課題に対処することで、完全な暗黒でも画像中の物体を検出することができる。 それに加えて、実験的な地下鉱山から実世界の画像を収集し、ImageMineという新しいデータセットを導入しました。
• 参考スコア（独自算出の注目度）: 0.824969449883056
• License:
• Abstract: Detecting disasters in underground mining, such as explosions and structural damage, has been a persistent challenge over the years. This problem is compounded for first responders, who often have no clear information about the extent or nature of the damage within the mine. The poor-light or even total darkness inside the mines makes rescue efforts incredibly difficult, leading to a tragic loss of life. In this paper, we propose a novel instance segmentation method called DIS-Mine, specifically designed to identify disaster-affected areas within underground mines under low-light or poor visibility conditions, aiding first responders in rescue efforts. DIS-Mine is capable of detecting objects in images, even in complete darkness, by addressing challenges such as high noise, color distortions, and reduced contrast. The key innovations of DIS-Mine are built upon four core components: i) Image brightness improvement, ii) Instance segmentation with SAM integration, iii) Mask R-CNN-based segmentation, and iv) Mask alignment with feature matching. On top of that, we have collected real-world images from an experimental underground mine, introducing a new dataset named ImageMine, specifically gathered in low-visibility conditions. This dataset serves to validate the performance of DIS-Mine in realistic, challenging environments. Our comprehensive experiments on the ImageMine dataset, as well as on various other datasets demonstrate that DIS-Mine achieves a superior F1 score of 86.0% and mIoU of 72.0%, outperforming state-of-the-art instance segmentation methods, with at least 15x improvement and up to 80% higher precision in object detection.
• Abstract（参考訳）: 地雷の爆発や構造物の損傷などの災害の発見は、長年にわたり絶え間ない課題であった。 この問題は、鉱山内の被害の程度や性質について明確な情報を持たない最初の応答者にとって複雑である。 鉱山内部の暗さや暗さによって、救助活動は非常に難しくなり、悲劇的な生命の喪失につながります。 本稿では,低照度・低視認性条件下での地中災害被害地域を識別し,救助活動における最初の対応者を支援するために,dis-Mineと呼ばれる新しい事例セグメンテーション手法を提案する。 DIS-Mineは、高ノイズ、色歪み、コントラストの低減といった課題に対処することで、完全な暗黒でも画像中の物体を検出することができる。 DIS-Mineの重要なイノベーションは4つのコアコンポーネントの上に構築されている。 一 画像の明るさが向上すること。 二 SAM統合による事例分割 三 マスクR-CNNによるセグメンテーション及び 四 特徴マッチングによるマスクアライメント それに加えて、実験的な地下鉱山から実際の画像を収集し、特に低視認性条件下で収集されたImageMineという新しいデータセットを導入しました。 このデータセットは、現実的で挑戦的な環境でのdis-Mineのパフォーマンスを検証するのに役立ちます。 ImageMineデータセットと他のさまざまなデータセットの総合的な実験により、dis-Mineが86.0%、mIoUが72.0%の優れたF1スコアを達成し、最先端のインスタンスセグメンテーション手法よりも優れ、少なくとも15倍改善され、オブジェクト検出の精度が最大80%向上した。

関連論文リスト

• Emphasizing Discriminative Features for Dataset Distillation in Complex Scenarios [60.470289963986716]
  合成画像における重要な識別領域を強化するデータセット蒸留法であるEDFを提案する。 単純なデータセットでは、高活性化領域が画像の大部分を占めるのに対して、複雑なシナリオでは、これらの領域のサイズはずっと小さくなります。 特にEDFは、ImageNet-1Kサブセットのような複雑なシナリオにおいて、SOTAの結果を一貫して上回る。
  論文  参考訳（メタデータ） (2024-10-22T17:13:19Z)
• A-BDD: Leveraging Data Augmentations for Safe Autonomous Driving in Adverse Weather and Lighting [35.410769661423004]
  A-BDDは、BDD100Kをベースとした6万以上の合成画像の大規模な集合である。 データセットには、雨、霧、曇り、日陰、日陰の増設データが含まれており、強度レベルは様々である。 我々は、悪天候や照明条件における性能ギャップを埋める上で、データ拡張が重要な役割を果たす証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-12T11:44:47Z)
• Multi-Scale Denoising in the Feature Space for Low-Light Instance Segmentation [2.642212767247493]
  低照度画像のインスタンスセグメンテーションはほとんど探索されていない。 提案手法は特徴抽出器に重み付けされた非局所ブロック(wNLB)を実装する。 実世界の騒音特性に対するネットワークの適応性を高めるため,各層に学習可能な重みを導入する。
  論文  参考訳（メタデータ） (2024-02-28T13:07:16Z)
• DAM-Net: Global Flood Detection from SAR Imagery Using Differential Attention Metric-Based Vision Transformers [22.885444177106873]
  高分解能合成開口レーダ(SAR)画像を用いた浸水領域の検出は危機管理や災害管理における重要な課題である。 そこで本研究では,新しいディファレンシャル・アテンション・メトリック・ベース・ネットワーク(DAM-Net)を提案する。 DAM-Netは、多時間画像のマルチスケールな変化特徴を得るためのウェイトシェアリングシームスバックボーンと、水体変化の高レベルな意味情報を含むトークンの2つのキーコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-06-01T14:12:33Z)
• Impact of Light and Shadow on Robustness of Deep Neural Networks [5.015796849425367]
  ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出など、様々なコンピュータビジョンタスクにおいて顕著な進歩を遂げている。 近年の研究では、敵攻撃として知られる入力データの故意な操作に直面した先進的なDNNの脆弱性が明らかにされている。 我々は,イメージネットのサブセット内に,各画像に対して24種類の輝度レベルを組み込んだ輝度変化データセットを提案する。
  論文  参考訳（メタデータ） (2023-05-23T15:30:56Z)
• The Second Monocular Depth Estimation Challenge [93.1678025923996]
  MDEC (Monocular Depth Estimation Challenge) の第2版は、いかなる種類の監視方法にも開放された。 この課題はSynS-Patchesデータセットをベースとしており、高品質な高密度地下構造を持つ多様な環境を特徴としている。 上位の監督官は相対的なFスコアを27.62%改善し、上位の監督官は16.61%改善した。
  論文  参考訳（メタデータ） (2023-04-14T11:10:07Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Superpixel-Based Building Damage Detection from Post-earthquake Very High Resolution Imagery Using Deep Neural Networks [15.761849146985494]
  地震などの自然災害後の被害検知は, 効果的な緊急対応行動の開始に不可欠である。 地震による建築物の損傷を検知するために多くの手法が開発されているが、VHR画像に表されるリッチな特徴を活用することにはほとんど注意が払われていない。 本稿では,Deep Neural Networks(DNN)と修正セグメンテーション手法を組み合わせた,新しい超画素ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-09T08:05:02Z)
• SCRDet++: Detecting Small, Cluttered and Rotated Objects via Instance-Level Feature Denoising and Rotation Loss Smoothing [131.04304632759033]
  小さくて散らばった物体は実世界では一般的であり、検出は困難である。 本稿では,まず,物体検出にデノナイズするアイデアを革新的に紹介する。 機能マップ上のインスタンスレベルの記述は、小さくて散らばったオブジェクトの検出を強化するために行われる。
  論文  参考訳（メタデータ） (2020-04-28T06:03:54Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。