論文の概要: IBURD: Image Blending for Underwater Robotic Detection

• arxiv url: http://arxiv.org/abs/2502.17706v1
• Date: Mon, 24 Feb 2025 22:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:22:25.432446
• Title: IBURD: Image Blending for Underwater Robotic Detection
• Title（参考訳）: IBURD:水中ロボット検出のための画像ブレンディング
• Authors: Jungseok Hong, Sakshi Singh, Junaed Sattar,
• Abstract要約: IBURDは水中の破片の画像とピクセルレベルのアノテーションの両方を生成する。 IBURDは透明なオブジェクトを任意の背景にしっかりとブレンドすることができる。
• 参考スコア（独自算出の注目度）: 17.217395753087157
• License:
• Abstract: We present an image blending pipeline, \textit{IBURD}, that creates realistic synthetic images to assist in the training of deep detectors for use on underwater autonomous vehicles (AUVs) for marine debris detection tasks. Specifically, IBURD generates both images of underwater debris and their pixel-level annotations, using source images of debris objects, their annotations, and target background images of marine environments. With Poisson editing and style transfer techniques, IBURD is even able to robustly blend transparent objects into arbitrary backgrounds and automatically adjust the style of blended images using the blurriness metric of target background images. These generated images of marine debris in actual underwater backgrounds address the data scarcity and data variety problems faced by deep-learned vision algorithms in challenging underwater conditions, and can enable the use of AUVs for environmental cleanup missions. Both quantitative and robotic evaluations of IBURD demonstrate the efficacy of the proposed approach for robotic detection of marine debris.
• Abstract（参考訳）: 本稿では,水中自律走行車(AUV)を用いた海洋破片検出作業のための深部検出器の訓練を支援するために,リアルな合成画像を生成する画像ブレンディングパイプラインである「textit{IBURD}」を提案する。 具体的には、IBURDは、水中のデブリの画像と、そのピクセルレベルのアノテーションの両方を生成し、デブリオブジェクトのソース画像、アノテーション、海洋環境のターゲット背景画像を使用する。 Poissonの編集とスタイル転送技術により、IBURDは透明なオブジェクトを任意の背景に忠実にブレンドし、ターゲットの背景画像のぼやけ度を使ってブレンド画像のスタイルを自動的に調整できる。 これらの画像は、水中環境に挑戦する深層学習型視覚アルゴリズムが直面するデータ不足やデータ多様性の問題に対処し、環境浄化ミッションにAUVを使用することを可能にしている。 IBURDの量的およびロボット的評価は、海洋破片のロボット検出における提案手法の有効性を示すものである。

関連論文リスト

• Enhancing Marine Debris Acoustic Monitoring by Optical Flow-Based Motion Vector Analysis [0.0]
  本報告では, 海洋デブリモニタリングのための光学的フローベース手法を提案する。 提案手法は循環式水槽実験により検証した。
  論文  参考訳（メタデータ） (2024-12-28T08:55:37Z)
• UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
  ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。 再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-10T16:33:56Z)
• 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)
• An Efficient Detection and Control System for Underwater Docking using Machine Learning and Realistic Simulation: A Comprehensive Approach [5.039813366558306]
  この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。 GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。 その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
  論文  参考訳（メタデータ） (2023-11-02T18:10:20Z)
• 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)
• 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)
• GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
  そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。 我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。 また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-12-07T16:30:51Z)
• 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)
• 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)
• 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)
• Deep Sea Robotic Imaging Simulator [6.2122699483618]
  海洋の最大の部分である深海は、現在もほとんど未調査のままである。 深海画像は浅い海域で撮影された画像とは大きく異なり、この地域はコミュニティからはあまり注目されなかった。 本稿では,空気中のテクスチャと深度情報を入力として利用する物理モデルに基づく画像シミュレーションソリューションを提案する。
  論文  参考訳（メタデータ） (2020-06-27T16:18:32Z)

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。