論文の概要: Leveraging 6DoF Pose Foundation Models For Mapping Marine Sediment Burial

• arxiv url: http://arxiv.org/abs/2506.10386v1
• Date: Thu, 12 Jun 2025 06:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.601357
• Title: Leveraging 6DoF Pose Foundation Models For Mapping Marine Sediment Burial
• Title（参考訳）: 海底堆積物をマッピングする6DoF Pose Foundation Modelの活用
• Authors: Jerry Yan, Chinmay Talegaonkar, Nicholas Antipa, Eric Terrill, Sophia Merrifield,
• Abstract要約: この研究はPoseIDONと呼ばれるコンピュータビジョンパイプラインを導入し、ROVビデオから6度の自由物体のポーズと周囲の海底の向きを推定する。 この方法はサンペドロ盆地の歴史的な海溝で記録された砲身や弾薬を含む54の物体の映像を用いて検証されている。 このアプローチは、スケーラブルで非侵襲的な海底埋没のマッピングを可能にし、汚染された場所での環境評価を支援する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The burial state of anthropogenic objects on the seafloor provides insight into localized sedimentation dynamics and is also critical for assessing ecological risks, potential pollutant transport, and the viability of recovery or mitigation strategies for hazardous materials such as munitions. Accurate burial depth estimation from remote imagery remains difficult due to partial occlusion, poor visibility, and object degradation. This work introduces a computer vision pipeline, called PoseIDON, which combines deep foundation model features with multiview photogrammetry to estimate six degrees of freedom object pose and the orientation of the surrounding seafloor from ROV video. Burial depth is inferred by aligning CAD models of the objects with observed imagery and fitting a local planar approximation of the seafloor. The method is validated using footage of 54 objects, including barrels and munitions, recorded at a historic ocean dumpsite in the San Pedro Basin. The model achieves a mean burial depth error of approximately 10 centimeters and resolves spatial burial patterns that reflect underlying sediment transport processes. This approach enables scalable, non-invasive mapping of seafloor burial and supports environmental assessment at contaminated sites.
• Abstract（参考訳）: 海底における人為的対象の埋葬状態は、局所的な堆積動態の洞察を与え、また、生態的リスク、潜在的汚染物質輸送、弾薬のような有害物質に対する回復・緩和戦略の可能性を評価するためにも重要である。 リモート画像からの正確な埋没深度推定は, 部分閉塞, 視界不良, 被写体劣化などにより困難である。 この研究はPoseIDONと呼ばれるコンピュータビジョンパイプラインを導入し、深層基盤モデルの特徴とマルチビュー・フォトグラムを組み合わせ、ROVビデオから6自由度オブジェクトのポーズと周囲の海底の向きを推定する。 被写体のCADモデルを観察画像と整列させ, 海底の平面近似に適合させることにより, 埋没深度を推定する。 この方法はサンペドロ盆地の歴史的な海溝で記録された砲身や弾薬を含む54の物体の映像を用いて検証されている。 このモデルは,約10センチメートルの平均埋没深度誤差を達成し,土砂輸送過程を反映した空間埋没パターンを解消する。 このアプローチは、スケーラブルで非侵襲的な海底埋没のマッピングを可能にし、汚染された場所での環境評価を支援する。

関連論文リスト

• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
  本研究では,新しい単分子深度推定法であるScaleDepthを提案する。 提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。 本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
  論文  参考訳（メタデータ） (2024-07-11T05:11:56Z)
• Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2 [3.6842260407632903]
  海洋汚染を定量化するための努力は、しばしば粗末で高価な海岸調査によって行われる。 沿岸地域の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出するために利用することができる。 本稿では, 深部セグメンテーションモデル上に構築された海洋破片検出装置について述べる。
  論文  参考訳（メタデータ） (2023-07-05T17:38:48Z)
• The Drunkard's Odometry: Estimating Camera Motion in Deforming Scenes [79.00228778543553]
  このデータセットは、3Dシーンの中で地上の真実を語る最初の大規模なカメラ軌道である。 リアルな3Dビルディングのシミュレーションでは、膨大な量のデータと地上の真実のラベルが得られます。 本稿では,光学的フロー推定を剛体カメラ運動に分解するDrunkard's Odometryと呼ばれる,変形可能な新しいオドメトリー法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:09:31Z)
• Optimized Custom Dataset for Efficient Detection of Underwater Trash [3.2634122554914002]
  本報告では, 海底破砕物に対するカスタムデータセットの開発と効率的な検出手法を提案する。 データセットは多様な水中環境を含み、デブリのインスタンスの正確なラベル付けのためのアノテーションが組み込まれている。 このカスタムデータセットの主な目的は、最先端のディープラーニングアーキテクチャを活用することで、リッターインスタンスの多様性を高め、深海環境における検出精度を向上させることである。
  論文  参考訳（メタデータ） (2023-05-25T20:28:04Z)
• 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
  本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。 本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
  論文  参考訳（メタデータ） (2022-07-13T16:40:02Z)
• DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic Using Deep Visual Models [0.0]
  現在、浮遊プラスチックを定量化する最も一般的な監視方法は、マンタトロールの使用が必要です。 分析前の物理的除去の必要性は、コストが高く、リアルタイムの海洋プラスチックモニタリングサービスのスケーラブルな展開を妨げる集中的な労力を必要とします。 本研究では,海表層内で撮影した画像をインプットとして利用する,高度にスケーラブルなワークフローを提案する。
  論文  参考訳（メタデータ） (2021-05-05T06:04:26Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)

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。