論文の概要: SAMSelect: A Spectral Index Search for Marine Debris Visualization using Segment Anything

• arxiv url: http://arxiv.org/abs/2506.08613v1
• Date: Tue, 10 Jun 2025 09:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.159504
• Title: SAMSelect: A Spectral Index Search for Marine Debris Visualization using Segment Anything
• Title（参考訳）: SAMSelect: Segment Anything を用いた海洋デブリ可視化のためのスペクトルインデックス検索
• Authors: Joost van Dalen, Yuki M. Asano, Marc Russwurm,
• Abstract要約: 本研究は,マルチスペクトル画像に対する有意な3チャンネル可視化を実現するアルゴリズムを提案する。 我々はSAMSelectを開発し、センチネル2号の画像で浮かぶ海洋の破片を視覚的に解釈する海洋科学者にその用途を示す。
• 参考スコア（独自算出の注目度）: 17.7763341300346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work proposes SAMSelect, an algorithm to obtain a salient three-channel visualization for multispectral images. We develop SAMSelect and show its use for marine scientists visually interpreting floating marine debris in Sentinel-2 imagery. These debris are notoriously difficult to visualize due to their compositional heterogeneity in medium-resolution imagery. Out of these difficulties, a visual interpretation of imagery showing marine debris remains a common practice by domain experts, who select bands and spectral indices on a case-by-case basis informed by common practices and heuristics. SAMSelect selects the band or index combination that achieves the best classification accuracy on a small annotated dataset through the Segment Anything Model. Its central assumption is that the three-channel visualization achieves the most accurate segmentation results also provide good visual information for photo-interpretation. We evaluate SAMSelect in three Sentinel-2 scenes containing generic marine debris in Accra, Ghana, and Durban, South Africa, and deployed plastic targets from the Plastic Litter Project. This reveals the potential of new previously unused band combinations (e.g., a normalized difference index of B8, B2), which demonstrate improved performance compared to literature-based indices. We describe the algorithm in this paper and provide an open-source code repository that will be helpful for domain scientists doing visual photo interpretation, especially in the marine field.
• Abstract（参考訳）: 本研究は,マルチスペクトル画像に対する有意な3チャンネル可視化を実現するアルゴリズムであるSAMSelectを提案する。 我々はSAMSelectを開発し、センチネル2号の画像で浮かぶ海洋の破片を視覚的に解釈する海洋科学者にその用途を示す。 これらの破片は、中解像度画像における構成上の不均一性のため、可視化が難しいことが知られている。 これらの困難の中で、海洋の破片を示す画像の視覚的解釈は、一般的な慣習やヒューリスティックスによって知らされるケースバイケースベースでバンドとスペクトル指標を選択するドメインの専門家による一般的な実践である。 SAMSelectは、Segment Anything Modelを通じて、小さな注釈付きデータセット上で最高の分類精度を達成するバンドまたはインデックスの組み合わせを選択する。 その中心的な前提は、3チャンネルの可視化が最も正確なセグメンテーション結果を達成すると同時に、写真解釈のための優れた視覚情報を提供するということである。 南アフリカのアクラ, ガーナ, ダーバンの総合海洋破片を含むセンチネル2の3つのシーンでSAMSelectを評価し, プラスチック・リッター・プロジェクトからプラスチック・ターゲットを配置した。 これは、それまで使われていなかった新しいバンドの組み合わせ(例えば、B8, B2の正規化差分指数)の可能性を明らかにする。 本稿では,このアルゴリズムについて述べるとともに,特に海洋分野において視覚的写真解釈を行うドメイン科学者に有用なオープンソースコードリポジトリを提供する。

関連論文リスト

• LEGION: Learning to Ground and Explain for Synthetic Image Detection [49.958951540410816]
  提案するSynthScarsは,12,236個の完全合成画像からなる高品質で多様なデータセットである。 4つの異なる画像コンテンツタイプ、3つのアーティファクトカテゴリ、ピクセルレベルのセグメンテーション、詳細なテキスト説明、アーティファクトカテゴリラベルを含んでいる。 人工物の検出,分割,説明を統合するマルチモーダル大規模言語モデル(MLLM)に基づく画像偽造解析フレームワークであるLEGIONを提案する。
  論文  参考訳（メタデータ） (2025-03-19T14:37:21Z)
• MAS-SAM: Segment Any Marine Animal with Aggregated Features [55.91291540810978]
  そこで本研究では,海洋生物のセグメンテーションのためのMAS-SAMという新しい特徴学習フレームワークを提案する。 本手法により,グローバルな文脈的手がかりからよりリッチな海洋情報を抽出し,よりきめ細かな局部的詳細を抽出できる。
  論文  参考訳（メタデータ） (2024-04-24T07:38:14Z)
• Fantastic Animals and Where to Find Them: Segment Any Marine Animal with Dual SAM [62.85895749882285]
  海洋動物(英: Marine Animal、MAS)は、海洋環境に生息する動物を分類する動物である。 高性能MASのための新しい特徴学習フレームワークDual-SAMを提案する。 提案手法は,広く使用されている5つのMASデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-07T15:34:40Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• SS-MAE: Spatial-Spectral Masked Auto-Encoder for Multi-Source Remote Sensing Image Classification [35.52272615695294]
  本研究では,HSIとLiDAR/SARデータ共同分類のための空間スペクトルマスク付きオートエンコーダ(SS-MAE)を提案する。 我々のSS-MAEは入力データの空間的およびスペクトル的表現を完全に活用する。 訓練段階における局所的な特徴を補完するため、特徴抽出のために2つの軽量CNNを追加します。
  論文  参考訳（メタデータ） (2023-11-08T03:54:44Z)
• SAM-OCTA: Prompting Segment-Anything for OCTA Image Segmentation [2.452498006404167]
  OCTA画像の局所分割のためのSAM-OCTA法を提案する。 低ランク適応(LoRA)を用いたSAM(Pre-trained segment Any Model)の微調整法
  論文  参考訳（メタデータ） (2023-10-11T04:14:59Z)
• Spectral Analysis of Marine Debris in Simulated and Observed Sentinel-2/MSI Images using Unsupervised Classification [0.0]
  本研究では,Sentinel-2ミッションのMultispectral Instrument(MSI)と機械学習アルゴリズムを組み合わせたRTMシミュレーションデータを用いた。 その結果, 汚染物質のスペクトル挙動は, ポリマーの種類や画素被覆率などの影響を受けていることがわかった。 これらの知見は、海洋プラスチック汚染を検知するためのリモートセンシングアプリケーションにおける将来の研究を導くことができる。
  論文  参考訳（メタデータ） (2023-06-26T18:46:47Z)
• Active Gaze Control for Foveal Scene Exploration [124.11737060344052]
  本研究では,葉型カメラを用いた人間とロボットが現場を探索する方法をエミュレートする手法を提案する。 提案手法は,同数の視線シフトに対してF1スコアを2～3ポイント増加させる。
  論文  参考訳（メタデータ） (2022-08-24T14:59:28Z)

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。