論文の概要: AIM 2025 Rip Current Segmentation (RipSeg) Challenge Report

• arxiv url: http://arxiv.org/abs/2508.13401v1
• Date: Mon, 18 Aug 2025 23:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.741212
• Title: AIM 2025 Rip Current Segmentation (RipSeg) Challenge Report
• Title（参考訳）: AIM 2025 Rip Current Segmentation (RipSeg) Challenge Report
• Authors: Andrei Dumitriu, Florin Miron, Florin Tatui, Radu Tudor Ionescu, Radu Timofte, Aakash Ralhan, Florin-Alexandru Vasluianu, Shenyang Qian, Mitchell Harley, Imran Razzak, Yang Song, Pu Luo, Yumei Li, Cong Xu, Jinming Chai, Kexin Zhang, Licheng Jiao, Lingling Li, Siqi Yu, Chao Zhang, Kehuan Song, Fang Liu, Puhua Chen, Xu Liu, Jin Hu, Jinyang Xu, Biao Liu,
• Abstract要約: AIM 2025 RipSeg Challengeは、静止画像の自動リップ電流セグメンテーションの技術の進歩を目的として設計されている。 データセットはさまざまな場所、リップカレントタイプ、カメラの向きにまたがっており、現実的で挑戦的なベンチマークを提供する。 本報告では、データセットの詳細、競合フレームワーク、評価指標、最終結果について概説し、リップ電流セグメンテーションの現状に関する洞察を提供する。
• 参考スコア（独自算出の注目度）: 76.000103971288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This report presents an overview of the AIM 2025 RipSeg Challenge, a competition designed to advance techniques for automatic rip current segmentation in still images. Rip currents are dangerous, fast-moving flows that pose a major risk to beach safety worldwide, making accurate visual detection an important and underexplored research task. The challenge builds on RipVIS, the largest available rip current dataset, and focuses on single-class instance segmentation, where precise delineation is critical to fully capture the extent of rip currents. The dataset spans diverse locations, rip current types, and camera orientations, providing a realistic and challenging benchmark. In total, $75$ participants registered for this first edition, resulting in $5$ valid test submissions. Teams were evaluated on a composite score combining $F_1$, $F_2$, $AP_{50}$, and $AP_{[50:95]}$, ensuring robust and application-relevant rankings. The top-performing methods leveraged deep learning architectures, domain adaptation techniques, pretrained models, and domain generalization strategies to improve performance under diverse conditions. This report outlines the dataset details, competition framework, evaluation metrics, and final results, providing insights into the current state of rip current segmentation. We conclude with a discussion of key challenges, lessons learned from the submissions, and future directions for expanding RipSeg.
• Abstract（参考訳）: AIM 2025 RipSeg Challengeは、静止画像における自動リップ電流セグメンテーション技術の発展を目的としたコンペティションである。 リップ電流は危険で高速な流れであり、世界中のビーチの安全に大きなリスクをもたらし、正確な視覚的検出は重要で未調査の研究課題である。 この課題は、利用可能な最大のリップカレントデータセットであるRipVIS上に構築され、単一クラスのインスタンスセグメンテーションに焦点を当てている。 データセットはさまざまな場所、リップカレントタイプ、カメラの向きにまたがっており、現実的で挑戦的なベンチマークを提供する。 この初版に登録された参加者は、合計で75ドル(約7万5000円)で、有効なテスト申請書が5ドル(約5万5000円)になる。 F_1$、$F_2$、$AP_{50}$、$AP_{[50:95]}$を組み合わせた総合スコアで評価し、堅牢でアプリケーション関連のランキングを確保した。 トップパフォーマンスの手法は、ディープラーニングアーキテクチャ、ドメイン適応技術、事前訓練されたモデル、および様々な条件下でのパフォーマンスを改善するためのドメイン一般化戦略を活用する。 本報告では、データセットの詳細、競合フレームワーク、評価指標、最終結果について概説し、リップ電流セグメンテーションの現状に関する洞察を提供する。 我々は、重要な課題、提案から学んだ教訓、RipSegの拡大に向けた今後の方向性について、議論を締めくくった。

関連論文リスト

• RIS-LAD: A Benchmark and Model for Referring Low-Altitude Drone Image Segmentation [14.203806360052567]
  Referring ImageHide (RIS)は、自然言語の記述に基づいて特定のオブジェクトを分割することを目的としている。 既存のデータセットとメソッドは、一般的に高高度および静的な画像のために設計されている。 RIS-LADは、低高度ドローン(LAD)のシナリオ用に調整された、最初のきめ細かいRISベンチマークである。
  論文  参考訳（メタデータ） (2025-07-28T15:21:03Z)
• The Tenth NTIRE 2025 Efficient Super-Resolution Challenge Report [170.81876816944754]
  NTIRE 2025 Challenge on Single-Image Efficient Super-Resolution (ESR)は、主要な計算メトリクスを最適化するモデルの開発を進めることを目的としている。 本稿では,最先端のシングルイメージESR技術における画期的な進歩を強調し,これらの手法と成果を慎重に分析する。
  論文  参考訳（メタデータ） (2025-04-14T20:18:21Z)
• RipVIS: Rip Currents Video Instance Segmentation Benchmark for Beach Monitoring and Safety [57.243502132481176]
  RipVISは、リップ電流セグメンテーション用に設計された大規模ビデオインスタンスセグメンテーションベンチマークである。 我々のデータセットは、波の破れパターン、堆積物の流れ、水色の変化など、様々な視覚的文脈を包含している。 結果は複数のメトリクスで報告され、特にリコールの優先順位付けと偽陰性の低減に$F$スコアに重点を置いている。
  論文  参考訳（メタデータ） (2025-04-01T18:57:15Z)
• The Second Monocular Depth Estimation Challenge [93.1678025923996]
  MDEC (Monocular Depth Estimation Challenge) の第2版は、いかなる種類の監視方法にも開放された。 この課題はSynS-Patchesデータセットをベースとしており、高品質な高密度地下構造を持つ多様な環境を特徴としている。 上位の監督官は相対的なFスコアを27.62%改善し、上位の監督官は16.61%改善した。
  論文  参考訳（メタデータ） (2023-04-14T11:10:07Z)
• Woodscape Fisheye Semantic Segmentation for Autonomous Driving -- CVPR 2021 OmniCV Workshop Challenge [2.3469719108972504]
  WoodScape fisheye semantic segmentation Challenge for autonomous drivingはCVPR 2021 Workshop on Omnidirectional Computer Visionの一部として開催された。 71のグローバルチームが参加し、合計で395の応募があった。 トップチームは、ResNet-50バックボーンを使用したベースラインのPSPNetよりも、平均IoUと精度が大幅に向上した。
  論文  参考訳（メタデータ） (2021-07-17T14:32:58Z)

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。