論文の概要: Panoptic Segmentation of Environmental UAV Images : Litter Beach

• arxiv url: http://arxiv.org/abs/2508.15985v1
• Date: Thu, 21 Aug 2025 22:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.198529
• Title: Panoptic Segmentation of Environmental UAV Images : Litter Beach
• Title（参考訳）: 環境UAV画像のパノプティカルセグメンテーション : リッタービーチ
• Authors: Ousmane Youme, Jean Marie Dembélé, Eugene C. Ezin, Christophe Cambier,
• Abstract要約: CNNは、世界中の問題となっている海洋ゴミのモニタリングに役立てることができる。 そこで,本研究では,サンプル数個で精度のよいインスタンスベースセグメンテーション法とパノプティックセグメンテーション法を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNN) have been used efficiently in several fields, including environmental challenges. In fact, CNN can help with the monitoring of marine litter, which has become a worldwide problem. UAVs have higher resolution and are more adaptable in local areas than satellite images, making it easier to find and count trash. Since the sand is heterogeneous, a basic CNN model encounters plenty of inferences caused by reflections of sand color, human footsteps, shadows, algae present, dunes, holes, and tire tracks. For these types of images, other CNN models, such as CNN-based segmentation methods, may be more appropriate. In this paper, we use an instance-based segmentation method and a panoptic segmentation method that show good accuracy with just a few samples. The model is more robust and less
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、環境問題を含むいくつかの分野で効率的に利用されている。 実際、CNNは世界中の問題となっている海洋ゴミのモニタリングに役立てることができる。 UAVは高解像度で、衛星画像よりも局所的に適応しやすく、ゴミの発見や数えやすくなっている。 砂は異質であるため、基本的なCNNモデルは、砂の色、人間の足跡、影、藻、砂丘、穴、タイヤのトラックの反射によって引き起こされる多くの推論に遭遇する。 これらの画像に対して、CNNベースのセグメンテーション法のような他のCNNモデルの方が適切かもしれない。 そこで,本研究では,サンプル数個で精度のよいインスタンスベースセグメンテーション法とパノプティックセグメンテーション法を用いる。 モデルはより堅牢で少ない

関連論文リスト

• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• Shape-Tailored Deep Neural Networks [87.55487474723994]
  ST-DNN(Shape-Tailored Deep Neural Networks)の紹介 ST-DNNは、固定形状(正方形)の近傍からデータを集約する畳み込みネットワーク(CNN)を拡張し、任意形状の領域で定義された記述子を計算する。 ST-DNNが3〜4桁小さく、CNNがセグメンテーションに使用されることを示しています。
  論文  参考訳（メタデータ） (2021-02-16T23:32:14Z)
• Semantic Segmentation of Medium-Resolution Satellite Imagery using Conditional Generative Adversarial Networks [3.4797121357690153]
  本稿では,高解像度衛星画像に対する画像と画像の変換手法として,CGAN(Conditional Generative Adversarial Networks)を提案する。 CGANモデルは、見当たらない不均衡なテストデータセットにおいて、同様の複雑性のCNNモデルよりもかなりのマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2020-12-05T18:18:45Z)
• SUREMap: Predicting Uncertainty in CNN-based Image Reconstruction Using Stein's Unbiased Risk Estimate [51.67813146731196]
  畳み込みニューラルネットワーク(CNN)は、コンピュータ画像再構成問題を解決する強力なツールとして登場した。 CNNはブラックボックスを理解するのが難しい。 この制限は、医療画像のような安全クリティカルな用途での利用にとって大きな障壁となる。
  論文  参考訳（メタデータ） (2020-10-25T20:29:41Z)
• Homography Estimation with Convolutional Neural Networks Under Conditions of Variance [0.0]
  畳み込みニューラルネットワーク(CNN)を用いた最近の2つの手法の性能解析を行った。 CNNは、ノイズに対してより堅牢であるように訓練できるが、ノイズのないケースでは精度が低い。 我々は,CNNを特定の音の大きさに訓練すると,CNNが最高の性能を示す騒音レベルに対して,Goldilocks Zoneが生じることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:11:25Z)
• Region Growing with Convolutional Neural Networks for Biomedical Image Segmentation [1.5469452301122177]
  本稿では,各座標方向の予測マスク領域を反復的に成長させることにより,畳み込みニューラルネットワーク(CNN)を用いてセグメンテーションを行う手法を提案する。 我々は、CNNの確率スコアのしきい値を用いて、その領域にピクセルが追加され、その領域に新しいピクセルが加わらないまで繰り返し続けるかどうかを判定する。 本手法は,少量のトレーニングデータを活用するとともに,計算効率を保ちながら,高いセグメンテーション精度を達成し,生物学的に現実的な形態的特徴を維持できる。
  論文  参考訳（メタデータ） (2020-09-23T17:53:00Z)
• Shape Defense Against Adversarial Attacks [47.64219291655723]
  人間は物体を認識するために形状情報に大きく依存している。逆に、畳み込みニューラルネットワーク(CNN)はテクスチャに偏っている。 本稿では, 形状バイアスをCNNに組み込んで, 頑健性を向上させる方法について検討する。 2つのアルゴリズムが提案され、エッジが適度な知覚不能な摂動に不変であるという観測に基づいている。
  論文  参考訳（メタデータ） (2020-08-31T03:23:59Z)
• Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
  本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。 本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。 バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
  論文  参考訳（メタデータ） (2020-08-08T15:50:23Z)
• TopoAL: An Adversarial Learning Approach for Topology-Aware Road Segmentation [56.353558147044]
  我々は,我々の目的に合わせたAL(Adversarial Learning)戦略を導入する。 我々は,道路網のどの部分が正しいかを示すラベルピラミッドを返す,より洗練された識別器を使用している。 挑戦的なRoadTracerデータセットでは、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2020-07-17T16:06:45Z)
• A CNN With Multi-scale Convolution for Hyperspectral Image Classification using Target-Pixel-Orientation scheme [2.094821665776961]
  CNNは、ハイパースペクトル画像分類の課題に対処する一般的な選択肢である。 本稿では,CNNベースのネットワークをトレーニングするために,新たなターゲットパッチ指向手法を提案する。 また、3D-CNNと2D-CNNベースのネットワークアーキテクチャのハイブリッドを導入し、帯域削減と特徴抽出手法を実装した。
  論文  参考訳（メタデータ） (2020-01-30T07:45:07Z)

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。