論文の概要: Beneath the Surface: The Role of Underwater Image Enhancement in Object Detection

• arxiv url: http://arxiv.org/abs/2411.14626v3
• Date: Fri, 18 Apr 2025 01:11:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-21 15:46:21.266972
• Title: Beneath the Surface: The Role of Underwater Image Enhancement in Object Detection
• Title（参考訳）: 物体検出における水中画像強調の役割
• Authors: Ali Awad, Ashraf Saleem, Sidike Paheding, Evan Lucas, Serein Al-Ratrout, Timothy C. Havens,
• Abstract要約: 本研究の目的は、最先端の画像強調モデルの評価、水中物体検出への影響調査、検出性能向上の可能性を探ることである。 本研究は、画像強調が検出性能を向上させる可能性を示し、研究者がデータセットレベルではなく、個々の画像レベルでの検出に対する強調の効果をさらに探求するための貴重な洞察を提供するものである。
• 参考スコア（独自算出の注目度）: 1.7933377464816112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater imagery often suffers from severe degradation resulting in low visual quality and reduced object detection performance. This work aims to evaluate state-of-the-art image enhancement models, investigate their effects on underwater object detection, and explore their potential to improve detection performance. To this end, we apply nine recent underwater image enhancement models, covering physical, non-physical and learning-based categories, to two recent underwater image datasets. Following this, we conduct joint qualitative and quantitative analyses on the original and enhanced images, revealing the discrepancy between the two analyses, and analyzing changes in the quality distribution of the images after enhancement. We then train three recent object detection models on the original datasets, selecting the best-performing detector for further analysis. This detector is subsequently re-trained on the enhanced datasets to evaluate changes in detection performance, highlighting the adverse effect of enhancement on detection performance at the dataset level. Next, we perform a correlation study to examine the relationship between various enhancement metrics and the mean Average Precision (mAP). Finally, we conduct an image-level analysis that reveals images of improved detection performance after enhancement. The findings of this study demonstrate the potential of image enhancement to improve detection performance and provide valuable insights for researchers to further explore the effects of enhancement on detection at the individual image level, rather than at the dataset level. This could enable the selective application of enhancement for improved detection. The data generated, code developed, and supplementary materials are publicly available at: https://github.com/RSSL-MTU/Enhancement-Detection-Analysis.
• Abstract（参考訳）: 水中画像はしばしば深刻な劣化に悩まされ、視覚的品質が低下し、物体検出性能が低下する。 本研究の目的は、最先端の画像強調モデルの評価、水中物体検出への影響調査、検出性能向上の可能性を探ることである。 この目的のために、9つの最新の水中画像強調モデルを適用し、物理、非物理、および学習に基づくカテゴリを2つの最近の水中画像データセットに適用する。 次に、原画像と強調画像の同時定性的定量的分析を行い、両者の相違を明らかにし、強調後の画質分布の変化を分析する。 次に、元のデータセット上で3つの最新のオブジェクト検出モデルをトレーニングし、さらなる分析のために最高の性能の検出器を選択する。 この検出器はその後、強化データセット上で再トレーニングされ、検出性能の変化を評価し、データセットレベルでの検出性能に対する強化の影響を明らかにする。 次に,様々な拡張指標と平均精度(mAP)の関係を検討するための相関研究を行った。 最後に,画像レベルの解析を行い,高精細化後の検出性能向上の画像を明らかにする。 本研究は、画像強調が検出性能を向上させる可能性を示し、研究者がデータセットレベルではなく、個々の画像レベルでの検出に対する強調の効果をさらに探求するための貴重な洞察を提供するものである。 これにより、改良された検出のための拡張の選択的適用が可能になる。 生成されたデータ、コード、補足資料はhttps://github.com/RSSL-MTU/Enhancement-Detection-Analysisで公開されている。

関連論文リスト

• LUIEO: A Lightweight Model for Integrating Underwater Image Enhancement and Object Detection [10.572090127928698]
  本稿では,水中画像の強調と検出精度の向上を同時に行うマルチタスク学習手法を提案する。 統合モデルは、情報通信と異なるタスク間の共有を動的に調整することを可能にする。 数値実験により,提案モデルが視覚性能,物体検出精度,検出効率を満足できることを示す。
  論文  参考訳（メタデータ） (2024-12-01T14:01:30Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Separated Attention: An Improved Cycle GAN Based Under Water Image Enhancement Method [0.0]
  我々は、損失関数を改良した最先端のサイクルGANモデルのサイクル一貫した学習手法を利用した。 我々は、ベンチマークしたEnhancing Underwater Visual Perceptionデータセット上で、修正された損失関数を用いてCycle GANモデルを訓練した。 アップグレードされた画像は、従来のモデルによるより良い結果を提供し、さらに水中ナビゲーション、ポーズ推定、サリエンシ予測、物体の検出と追跡を行う。
  論文  参考訳（メタデータ） (2024-04-11T11:12:06Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Feedback RoI Features Improve Aerial Object Detection [9.554951222327443]
  神経科学研究は、人間の視覚系が低レベルの知覚を導くために高レベルのフィードバック情報を利用することを示した。 本稿では、オブジェクト検出に類似したメカニズムを組み込むために、フィードバックマルチレベル機能エクストラクタ(Flex)を提案する。 Flexは、画像品質の変化と分類の不確実性に応じて、画像ワイドおよびインスタンスレベルのフィードバック情報に基づいて特徴選択を洗練する。
  論文  参考訳（メタデータ） (2023-11-28T16:09:09Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• 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)
• UIF: An Objective Quality Assessment for Underwater Image Enhancement [17.145844358253164]
  水中画像の客観的評価のための水中画像忠実度(UIF)指標を提案する。 これらの画像の統計的特徴を利用して,自然度,鋭度,構造的特徴を抽出する。 実験の結果,提案したUIFは水中および汎用画像品質指標より優れていたことが確認された。
  論文  参考訳（メタデータ） (2022-05-19T08:43:47Z)
• Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep Image-to-Image Models against Adversarial Attacks [104.8737334237993]
  本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。 一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。 画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
  論文  参考訳（メタデータ） (2021-04-30T14:20:33Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• A Generative Approach for Detection-driven Underwater Image Enhancement [19.957923413999673]
  本稿では,GAN(Generative Adversarial Network)に基づく画像強調とダイバー検出タスクを統合したモデルを提案する。 提案手法はGAN目的関数を再構成し,事前に訓練されたダイバーディテクタの情報を含む。 我々は,最先端のダイバー検出器を用いて,スキューバダイバーの大規模データセット上でネットワークをトレーニングし,海洋探査から収集した画像上でその有用性を示す。
  論文  参考訳（メタデータ） (2020-12-10T21:33:12Z)
• 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。