論文の概要: Robust Object Detection of Underwater Robot based on Domain Generalization

• arxiv url: http://arxiv.org/abs/2503.19929v1
• Date: Tue, 18 Mar 2025 22:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-30 06:39:02.137628
• Title: Robust Object Detection of Underwater Robot based on Domain Generalization
• Title（参考訳）: ドメイン一般化に基づく水中ロボットのロバスト物体検出
• Authors: Pinhao Song,
• Abstract要約: 水中環境の多様性と複雑さは、物体検出に新たな課題をもたらす。 様々な水質と変更可能で極端な照明条件は、歪んだ、低いコントラスト、青または緑の画像をもたらす。 本稿では,水中環境がもたらす問題点を考察し,高性能で頑健な水中物体検出装置の設計を目的とする。
• 参考スコア（独自算出の注目度）: 1.6317061277457001
• License:
• Abstract: Object detection aims to obtain the location and the category of specific objects in a given image, which includes two tasks: classification and location. In recent years, researchers tend to apply object detection to underwater robots equipped with vision systems to complete tasks including seafood fishing, fish farming, biodiversity monitoring and so on. However, the diversity and complexity of underwater environments bring new challenges to object detection. First, aquatic organisms tend to live together, which leads to severe occlusion. Second, theaquatic organisms are good at hiding themselves, which have a similar color to the background. Third, the various water quality and changeable and extreme lighting conditions lead to the distorted, low contrast, blue or green images obtained by the underwater camera, resulting in domain shift. And the deep model is generally vulnerable to facing domain shift. Fourth, the movement of the underwater robot leads to the blur of the captured image and makes the water muddy, which results in low visibility of the water. This paper investigates the problems brought by the underwater environment mentioned above, and aims to design a high-performance and robust underwater object detector.
• Abstract（参考訳）: オブジェクト検出は、与えられた画像内の特定のオブジェクトの位置とカテゴリを取得することを目的としており、分類と位置の2つのタスクを含む。 近年,魚介類漁,魚類養殖,生物多様性モニタリングなど,視覚システムを備えた水中ロボットに物体検出を適用する傾向にある。 しかし、水中環境の多様性と複雑さは、物体検出に新たな課題をもたらす。 第一に、水生生物は一緒に生活する傾向があり、深刻な閉塞を引き起こす。 第二に、水生生物は自分自身を隠すのが得意で、背景に類似した色をしている。 第三に、様々な水質と変化可能な極端な照明条件は、水中カメラによって得られた歪んだ、低コントラスト、青または緑の画像につながり、ドメインシフトをもたらす。 そして、ディープモデルは一般的に、直面するドメインシフトに対して脆弱です。 第4に、水中ロボットの動きは、捕獲された画像のぼやけにつながり、水が泥だらけになり、水の視認性が低下する。 本稿では, 上述した水中環境の問題点を考察し, 高性能で頑健な水中物体検出装置を設計することを目的とする。

関連論文リスト

• Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
  本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。 車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。 ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
  論文  参考訳（メタデータ） (2024-10-08T10:35:32Z)
• 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)
• Enhancing Underwater Imaging with 4-D Light Fields: Dataset and Method [77.80712860663886]
  4次元光場(LF)は、光吸収、散乱、その他の課題に悩まされる水中イメージングを強化する。 水中4次元LF画像強調と深度推定のためのプログレッシブフレームワークを提案する。 学習手法の定量的評価と教師あり訓練のための,最初の4次元LFに基づく水中画像データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-30T15:06:45Z)
• 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)
• CARNet: Collaborative Adversarial Resilience for Robust Underwater Image Enhancement and Perception [16.135354859458758]
  我々は,CARNetと呼ばれる協調対向レジリエンスネットワークを導入し,水中画像の強調とそれに続く検出を行う。 本研究ではまず,水中画像から攻撃を分離する強力な知覚能力を持つ可逆ネットワークを導入する。 また,異なるタイプの攻撃に対するネットワークの堅牢性を高めるために,二段階攻撃最適化手法を提案する。
  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)
• WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
  我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。 提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。 劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
  論文  参考訳（メタデータ） (2022-09-27T00:53:26Z)
• 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)
• Virtual Underwater Datasets for Autonomous Inspections [0.0]
  本研究では,実験室で収集したアイテムの写真から,ベスポークデータセットを構築した。 GAN(Generative Adversarial Networks)は、実験対象のデータセットを水中ドメインに変換するために使用される。 その結果得られた画像は、実際の水中の船体画像と比較すると、実際の水中環境とよく似ている。
  論文  参考訳（メタデータ） (2022-09-13T14:06:36Z)
• Underwater image filtering: methods, datasets and evaluation [44.933577173776705]
  水中画像フィルタリング法の設計原理を概観する。 各種水系における画像形成モデルと復元方法の結果について検討する。 ニューラルネットワークのトレーニングや手法評価のためのタスク依存型強化手法とデータセットを提案する。
  論文  参考訳（メタデータ） (2020-12-22T18:56:39Z)
• 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。