論文の概要: Are All Marine Species Created Equal? Performance Disparities in Underwater Object Detection

• arxiv url: http://arxiv.org/abs/2508.18729v1
• Date: Tue, 26 Aug 2025 06:56:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.710238
• Title: Are All Marine Species Created Equal? Performance Disparities in Underwater Object Detection
• Title（参考訳）: すべての海洋生物は等しく作られているか? 水中物体検出における性能格差
• Authors: Melanie Wille, Tobias Fischer, Scarlett Raine,
• Abstract要約: 全ての種が等しく検出されるわけではないが、根本原因は不明である。 我々は、オブジェクト検出タスクをローカライズと分類に分離するために、DUOデータセットを操作する。 我々は、精度を優先するときに不均衡分布を推奨し、リコールを優先するときに均衡分布を推奨する。
• 参考スコア（独自算出の注目度）: 4.544456147584922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater object detection is critical for monitoring marine ecosystems but poses unique challenges, including degraded image quality, imbalanced class distribution, and distinct visual characteristics. Not every species is detected equally well, yet underlying causes remain unclear. We address two key research questions: 1) What factors beyond data quantity drive class-specific performance disparities? 2) How can we systematically improve detection of under-performing marine species? We manipulate the DUO dataset to separate the object detection task into localization and classification and investigate the under-performance of the scallop class. Localization analysis using YOLO11 and TIDE finds that foreground-background discrimination is the most problematic stage regardless of data quantity. Classification experiments reveal persistent precision gaps even with balanced data, indicating intrinsic feature-based challenges beyond data scarcity and inter-class dependencies. We recommend imbalanced distributions when prioritizing precision, and balanced distributions when prioritizing recall. Improving under-performing classes should focus on algorithmic advances, especially within localization modules. We publicly release our code and datasets.
• Abstract（参考訳）: 水中物体検出は海洋生態系のモニタリングには重要であるが、劣化した画像品質、不均衡なクラス分布、視覚的特徴など、ユニークな課題を生んでいる。 全ての種が等しく検出されるわけではないが、根本原因は不明である。 我々は2つの重要な研究課題に対処する。 1)データ量を超える要因は、クラス固有のパフォーマンス格差を引き起こすか? 2)低性能海洋種の検出を体系的に改善するにはどうすればよいのか? DUOデータセットを操作してオブジェクト検出タスクをローカライズと分類に分離し,スカラロップクラスの性能の低さについて検討する。 YOLO11とTIDEを用いたローカライゼーション解析では,データ量に関わらず,前景背景の識別が最も問題となる。 分類実験では、バランスの取れたデータであっても、永続的な精度のギャップが示され、データ不足やクラス間の依存関係を超えた固有の機能ベースの課題が示される。 我々は、精度を優先するときに不均衡分布を推奨し、リコールを優先するときに均衡分布を推奨する。 パフォーマンスの低いクラスを改善するには、アルゴリズムの進歩、特にローカライゼーションモジュールに重点を置く必要がある。 コードとデータセットを公開しています。

関連論文リスト

• Class Imbalance in Object Detection: An Experimental Diagnosis and Study of Mitigation Strategies [0.5439020425818999]
  本研究は, YOLOv5単段検出器を用いて, 前地上クラス不均衡問題に対処するベンチマークフレームワークを提案する。 我々は,サンプリング,損失重み付け,データ強化という3つの確立した手法を精査した。 比較分析の結果,2段階検出法では有効であるが,YOLOv5の性能向上には有効ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2024-03-11T19:06:04Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Few-shot $\mathbf{1/a}$ Anomalies Feedback : Damage Vision Mining Opportunity and Embedding Feature Imbalance [0.0]
  不均衡なデータ問題は、4つのタイプに分類できる: ターゲットとラベルの価値の欠如、多数派マイノリティクラスの不均衡、空間的不均衡の背景背景、ピクセルワイド不均衡のロングテールクラス。 本研究では、異常なクラスか否かに関わらず、一級異常検出アプリケーションを強調し、不均衡な視覚データセットの明確な例を示す。
  論文  参考訳（メタデータ） (2023-07-24T10:30:54Z)
• A Pretrainer's Guide to Training Data: Measuring the Effects of Data Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
  この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。 以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T15:57:53Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Delving into Deep Imbalanced Regression [41.90687097747504]
  我々は,不均衡回帰(dir)を,連続目標を持つ不均衡データからの学習として定義する。 分類空間と連続ラベル空間の差を動機として,ラベルと特徴の分布平滑化を提案する。 我々の研究は、実際の不均衡回帰問題に対するベンチマークとテクニックのギャップを埋める。
  論文  参考訳（メタデータ） (2021-02-18T18:56:03Z)

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。