論文の概要: Towards Training-Free Underwater 3D Object Detection from Sonar Point Clouds: A Comparison of Traditional and Deep Learning Approaches

• arxiv url: http://arxiv.org/abs/2508.18293v1
• Date: Fri, 22 Aug 2025 12:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.497379
• Title: Towards Training-Free Underwater 3D Object Detection from Sonar Point Clouds: A Comparison of Traditional and Deep Learning Approaches
• Title（参考訳）: ソナー点雲からの無訓練水中3次元物体検出に向けて : 伝統と深層学習のアプローチの比較
• Authors: M. Salman Shaukat, Yannik Käckenmeister, Sebastian Bader, Thomas Kirste,
• Abstract要約: 我々は,マルチビームエコー・サンダーポイント雲における人工構造物のトレーニング不要検出のための2つのパラダイムを開発し,比較する。 我々の2つのアプローチは、最先端のニューラルネットワークのための合成トレーニングデータを生成する物理ベースのソナーシミュレーションパイプラインと、堅牢なモデルベースのテンプレートマッチングシステムを組み合わせたものです。 本研究は,水中ドメインにおけるデータハングリー深層学習に関する従来の知恵に挑戦し,非トレーニング型水中3D検出のための最初の大規模ベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Underwater 3D object detection remains one of the most challenging frontiers in computer vision, where traditional approaches struggle with the harsh acoustic environment and scarcity of training data. While deep learning has revolutionized terrestrial 3D detection, its application underwater faces a critical bottleneck: obtaining sufficient annotated sonar data is prohibitively expensive and logistically complex, often requiring specialized vessels, expert surveyors, and favorable weather conditions. This work addresses a fundamental question: Can we achieve reliable underwater 3D object detection without real-world training data? We tackle this challenge by developing and comparing two paradigms for training-free detection of artificial structures in multibeam echo-sounder point clouds. Our dual approach combines a physics-based sonar simulation pipeline that generates synthetic training data for state-of-the-art neural networks, with a robust model-based template matching system that leverages geometric priors of target objects. Evaluation on real bathymetry surveys from the Baltic Sea reveals surprising insights: while neural networks trained on synthetic data achieve 98% mean Average Precision (mAP) on simulated scenes, they drop to 40% mAP on real sonar data due to domain shift. Conversely, our template matching approach maintains 83% mAP on real data without requiring any training, demonstrating remarkable robustness to acoustic noise and environmental variations. Our findings challenge conventional wisdom about data-hungry deep learning in underwater domains and establish the first large-scale benchmark for training-free underwater 3D detection. This work opens new possibilities for autonomous underwater vehicle navigation, marine archaeology, and offshore infrastructure monitoring in data-scarce environments where traditional machine learning approaches fail.
• Abstract（参考訳）: 水中3Dオブジェクト検出は、従来のアプローチが厳しい音響環境と訓練データの不足に苦しむ、コンピュータビジョンにおける最も困難なフロンティアの1つだ。 深層学習は地球上の3D検出に革命をもたらしたが、その水中での応用は重大なボトルネックに直面している。 実際のトレーニングデータなしで、信頼できる水中3次元物体検出を実現できるか? 我々は,マルチビームエコー・サンダーポイント雲における人工構造物のトレーニング不要検出のための2つのパラダイムを開発し,比較することによって,この問題に対処する。 我々の2つのアプローチは、最先端のニューラルネットワークのための合成トレーニングデータを生成する物理ベースのソナーシミュレーションパイプラインと、ターゲットオブジェクトの幾何学的先行性を活用する堅牢なモデルベースのテンプレートマッチングシステムを組み合わせたものです。 合成データに基づいてトレーニングされたニューラルネットワークは、シミュレーションされたシーンで平均精度(mAP)を98%達成する一方で、ドメインシフトによって実際のソナーデータでは40%まで低下する。 逆に,我々のテンプレートマッチング手法は,トレーニングを必要とせず,実データ上で83%のmAPを維持し,音響ノイズや環境変動に対する顕著な堅牢性を示す。 本研究は,水中ドメインにおけるデータハングリー深層学習に関する従来の知恵に挑戦し,非トレーニング型水中3D検出のための最初の大規模ベンチマークを構築した。 この研究は、従来の機械学習アプローチが失敗するデータ共有環境で、自律的な水中車両ナビゲーション、海洋考古学、およびオフショアインフラストラクチャ監視の新たな可能性を開く。

関連論文リスト

• From Seeing to Experiencing: Scaling Navigation Foundation Models with Reinforcement Learning [59.88543114325153]
  本稿では,航法基礎モデルの強化学習能力を高めるためのSeeing-to-Experiencingフレームワークを提案する。 S2Eは、ビデオの事前トレーニングとRLによるポストトレーニングの長所を組み合わせたものだ。 実世界のシーンを3DGSで再現した3D画像に基づく総合的なエンドツーエンド評価ベンチマークであるNavBench-GSを構築した。
  論文  参考訳（メタデータ） (2025-07-29T17:26:10Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Sonar-based Deep Learning in Underwater Robotics: Overview, Robustness and Challenges [0.46873264197900916]
  水中でのソナーの使用は、限られた訓練データと固有のノイズが特徴であり、頑丈さをモデル化する上での課題となっている。 本稿では,分類,物体検出,セグメンテーション,SLAMなどのソナーベース認知タスクモデルについて検討する。 ソナーベースの最先端データセット、シミュレータ、ニューラルネットワーク検証、アウト・オブ・ディストリビューション、敵攻撃などの堅牢性メソッドを体系化する。
  論文  参考訳（メタデータ） (2024-12-16T15:03:08Z)
• A Practical Approach to Underwater Depth and Surface Normals Estimation [3.0516727053033392]
  本稿では,単眼深度と表面正規化推定(MDSNE)のための新しいディープラーニングモデルを提案する。 これは特に、CNNとTransformerを統合するハイブリッドアーキテクチャを使用して、水中環境向けに調整されている。 我々のモデルはパラメータを90%削減し、トレーニングコストを80%削減し、リソース制約されたデバイス上でリアルタイムな3D認識を可能にする。
  論文  参考訳（メタデータ） (2024-10-02T22:41:12Z)
• FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
  無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。 我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。 本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-25T03:54:01Z)
• Motion Degeneracy in Self-supervised Learning of Elevation Angle Estimation for 2D Forward-Looking Sonar [4.683630397028384]
  本研究は, 合成画像を用いた事前学習を行なわずに, 高度角推定の安定な自己教師付き学習を実現することを目的とする。 まず,主監督信号に関連する2次元前方ソナーの運動場を解析する。
  論文  参考訳（メタデータ） (2023-07-30T08:06:11Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)

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。