Fugu-MT 論文翻訳(概要): WXSOD: A Benchmark for Robust Salient Object Detection in Adverse Weather Conditions

論文の概要: WXSOD: A Benchmark for Robust Salient Object Detection in Adverse Weather Conditions

arxiv url: http://arxiv.org/abs/2508.12250v1
Date: Sun, 17 Aug 2025 05:39:56 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-19 14:49:10.633676
Title: WXSOD: A Benchmark for Robust Salient Object Detection in Adverse Weather Conditions
Title（参考訳）: WXSOD: 逆気象条件下でのロバスト能動物体検出のためのベンチマーク
Authors: Quan Chen, Xiong Yang, Rongfeng Lu, Qianyu Zhang, Yu Liu, Xiaofei Zhou, Bolun Zheng,
Abstract要約: 本稿では,WXSOD(Weather-eXtended Salient Object Detection)データセットを提案する。 14,945枚のRGB画像と多様な気象騒音、それに対応する地上の真実の注釈と気象ラベルで構成されている。本稿では,WFANet(Weather-Aware Feature Aggregation Network)と呼ばれる,効率的なベースラインを提案する。
参考スコア（独自算出の注目度）: 14.649956969289356
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Salient object detection (SOD) in complex environments remains a challenging research topic. Most existing methods perform well in natural scenes with negligible noise, and tend to leverage multi-modal information (e.g., depth and infrared) to enhance accuracy. However, few studies are concerned with the damage of weather noise on SOD performance due to the lack of dataset with pixel-wise annotations. To bridge this gap, this paper introduces a novel Weather-eXtended Salient Object Detection (WXSOD) dataset. It consists of 14,945 RGB images with diverse weather noise, along with the corresponding ground truth annotations and weather labels. To verify algorithm generalization, WXSOD contains two test sets, i.e., a synthesized test set and a real test set. The former is generated by adding weather noise to clean images, while the latter contains real-world weather noise. Based on WXSOD, we propose an efficient baseline, termed Weather-aware Feature Aggregation Network (WFANet), which adopts a fully supervised two-branch architecture. Specifically, the weather prediction branch mines weather-related deep features, while the saliency detection branch fuses semantic features extracted from the backbone with weather features for SOD. Comprehensive comparisons against 17 SOD methods shows that our WFANet achieves superior performance on WXSOD. The code and benchmark results will be made publicly available at https://github.com/C-water/WXSOD
Abstract（参考訳）: 複雑な環境での有害物体検出(SOD)は依然として困難な研究課題である。既存のほとんどの手法は、無視可能なノイズを持つ自然の場面でよく機能し、マルチモーダル情報(例えば、深さ、赤外線)を活用して精度を高める傾向にある。しかし、画素単位のアノテーションによるデータセットの欠如により、気象騒音がSOD性能に与える影響についてはほとんど研究されていない。本稿では,このギャップを埋めるために,新たにWXSOD(Weather-eXtended Salient Object Detection)データセットを提案する。 14,945枚のRGB画像と多様な気象騒音、それに対応する地上の真実の注釈と気象ラベルで構成されている。アルゴリズムの一般化を検証するため、WXSODは2つのテストセット、すなわち合成テストセットと実テストセットを含んでいる。前者はクリーンな画像に天気音を加えることで生成され、後者は現実世界の天気音を含む。 WXSODをベースとしたWFANet(Weather-Aware Feature Aggregation Network)と呼ばれる,完全教師付き2分岐アーキテクチャを採用した効率的なベースラインを提案する。具体的には、気象予知部は、気象関連深部の特徴を掘り下げ、塩分検出部は、背骨から抽出した意味的特徴と、SODの気象特徴を融合させる。 SOD法を総合的に比較した結果,WFANetはWXSODよりも優れた性能を示した。コードとベンチマーク結果はhttps://github.com/C-water/WXSODで公開される。

関連論文リスト

Robust Single Object Tracking in LiDAR Point Clouds under Adverse Weather Conditions [4.133835011820212]
LiDAR点雲における3次元物体追跡は、屋外知覚にとって重要な課題である。現在の3DSOTメソッドの素晴らしいパフォーマンスにもかかわらず、それらをクリーンなデータセットで評価することは、包括的なパフォーマンスを反映していない。主な障害の1つは、3DSOTの評価のための悪天候ベンチマークの欠如である。
論文参考訳（メタデータ） (2025-01-13T08:44:35Z)
HazyDet: Open-Source Benchmark for Drone-View Object Detection with Depth-Cues in Hazy Scenes [54.24350833692194]
HazyDetは、ヘイジーな環境でドローンビューオブジェクトを検出するために特別に設計された、最初の大規模ベンチマークである。本稿では,迷路による視覚劣化に対処するため,Depth-Conditioned Detector (DeCoDet)を提案する。 HazyDetは、検出アルゴリズムを前進させるための挑戦的で現実的なテストベッドを提供する。
論文参考訳（メタデータ） (2024-09-30T00:11:40Z)
Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文参考訳（メタデータ） (2024-08-08T06:47:21Z)
V2X-DGW: Domain Generalization for Multi-agent Perception under Adverse Weather Conditions [36.33595322964018]
気象条件下でのマルチエージェント認識システム上でのLiDARに基づく3次元物体検出のためのドメイン一般化手法であるtextitV2X-DGWを提案する。本研究の目的は、クリーンな天候下での良好なマルチエージェントのパフォーマンスを維持するだけでなく、クリーンな天気データのみを学習することで、目に見えない悪天候におけるパフォーマンスを向上させることである。
論文参考訳（メタデータ） (2024-03-17T23:29:41Z)
Energy-based Detection of Adverse Weather Effects in LiDAR Data [7.924836086640871]
本稿では,LiDARデータにおける悪天候の影響を検知するための新しい手法を提案する。提案手法では,低エネルギースコアを不整点,高エネルギースコアを不整点に関連付ける。悪天候下でのLiDAR知覚の研究領域の拡大を支援するため、SemanticSprayデータセットをリリースする。
論文参考訳（メタデータ） (2023-05-25T15:03:36Z)
WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
論文参考訳（メタデータ） (2023-05-12T14:42:47Z)
WM-MoE: Weather-aware Multi-scale Mixture-of-Experts for Blind Adverse Weather Removal [38.257012295118145]
Mixture-of-Experts (MoE) は、学習可能なゲートを採用して、入力を異なる専門家ネットワークにルーティングする人気モデルである。本稿では, 視覚障害者の視覚障害者のためのTransformer を用いた気象対応マルチスケールMOE (WM-MoE) を提案する。本手法は,2つのパブリックデータセットとデータセットに対して,盲点悪天候除去における最先端性能を実現する。
論文参考訳（メタデータ） (2023-03-24T01:46:25Z)
Fog Simulation on Real LiDAR Point Clouds for 3D Object Detection in Adverse Weather [92.84066576636914]
本研究は,霧の天候下でのLiDARによる3次元物体検出の課題に対処する。我々は、物理的に正確な霧をクリア・ウェザー・シーンにシミュレートすることでこの問題に対処する。 Seeing Through Fogデータセットに強力な3Dオブジェクト検出ベースラインを提供するのはこれが初めてです。
論文参考訳（メタデータ） (2021-08-11T14:37:54Z)
RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文参考訳（メタデータ） (2021-07-14T16:08:11Z)
Raindrops on Windshield: Dataset and Lightweight Gradient-Based Detection Algorithm [0.0]
本稿では,視覚アルゴリズムの性能をトレーニングし,カメラレンズやフロントガラスのイメージアーティファクト検出の異なるタスクに対して評価するための新しいデータセットを提案する。また,画像上に合成雨滴を生成可能なデータ拡張アルゴリズムを提案する。提案アルゴリズムは降雨量検出の精度と画像処理速度を向上し,実際の自律システムの自己検査手法に適用できることを示した。
論文参考訳（メタデータ） (2021-04-11T19:04:59Z)

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。