論文の概要: Online Clustering of Seafloor Imagery for Interpretation during Long-Term AUV Operations

• arxiv url: http://arxiv.org/abs/2509.06678v1
• Date: Mon, 08 Sep 2025 13:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.152167
• Title: Online Clustering of Seafloor Imagery for Interpretation during Long-Term AUV Operations
• Title（参考訳）: 長期AUV運用における海底画像のオンラインクラスタリング
• Authors: Cailei Liang, Adrian Bodenmann, Sam Fenton, Blair Thornton,
• Abstract要約: 監視なしで海底画像の解釈が可能なオンラインクラスタリングフレームワークを提案する。 スケーラブルで適応的で自己一貫性のある方法で、継続的データストリーム上でリアルタイムに運用するように設計されている。 筆者らは3つの多様な海底画像データセットの枠組みを評価する。
• 参考スコア（独自算出の注目度）: 0.4666493857924358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As long-endurance and seafloor-resident AUVs become more capable, there is an increasing need for extended, real-time interpretation of seafloor imagery to enable adaptive missions and optimise communication efficiency. Although offline image analysis methods are well established, they rely on access to complete datasets and human-labelled examples to manage the strong influence of environmental and operational conditions on seafloor image appearance-requirements that cannot be met in real-time settings. To address this, we introduce an online clustering framework (OCF) capable of interpreting seafloor imagery without supervision, which is designed to operate in real-time on continuous data streams in a scalable, adaptive, and self-consistent manner. The method enables the efficient review and consolidation of common patterns across the entire data history in constant time by identifying and maintaining a set of representative samples that capture the evolving feature distribution, supporting dynamic cluster merging and splitting without reprocessing the full image history. We evaluate the framework on three diverse seafloor image datasets, analysing the impact of different representative sampling strategies on both clustering accuracy and computational cost. The OCF achieves the highest average F1 score of 0.68 across the three datasets among all comparative online clustering approaches, with a standard deviation of 3% across three distinct survey trajectories, demonstrating its superior clustering capability and robustness to trajectory variation. In addition, it maintains consistently lower and bounded computational time as the data volume increases. These properties are beneficial for generating survey data summaries and supporting informative path planning in long-term, persistent autonomous marine exploration.
• Abstract（参考訳）: 長期滞在および海底居住型AUVの能力が向上するにつれて、適応的なミッションの実現と通信効率の最適化のために、海底画像の拡張的でリアルタイムな解釈の必要性が高まっている。 オフライン画像解析手法は確立されているが、環境条件や運用条件の強い影響を管理するために、完全なデータセットや人為的な例へのアクセスに頼っている。 これを解決するために、我々は、スケーラブルで適応的で自己整合性のある方法で、継続的データストリーム上でリアルタイムに動作するように設計された、監視なしで海底画像の解釈が可能なオンラインクラスタリングフレームワーク(OCF)を導入する。 この方法は、進化する特徴分布を捉えた代表サンプルの集合を特定し維持し、全画像履歴を再処理することなく、動的クラスタのマージと分割をサポートすることにより、データ履歴全体にわたる共通パターンの効率的なレビューと統合を可能にする。 本研究では,3つの多様な海底画像データセットの枠組みを評価し,クラスタリング精度と計算コストの両方に異なる代表的サンプリング戦略が与える影響を分析した。 OCFは3つのオンラインクラスタリングアプローチの中で、最も平均的なF1スコアが0.68であり、標準偏差は3つの異なる調査トラジェクトリで3%であり、クラスタリング能力とトラジェクトリ変動に対する堅牢性を示している。 さらに、データボリュームが増加するにつれて、連続的に低い計算時間と有界計算時間を維持できる。 これらの特性は、長期的かつ永続的な自律海洋探査において、調査データサマリーの生成と情報経路計画の支援に有用である。

関連論文リスト

• RD-UIE: Relation-Driven State Space Modeling for Underwater Image Enhancement [59.364418120895]
  水中画像強調(UIE)は、海洋視覚応用のための重要な前処理ステップである。 実効UIE(RD-UIE)のための新しい関係駆動型マンバフレームワークを開発した。 水中強化ベンチマークの実験では、RD-UIEは最先端のアプローチであるWMambaよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• Graph Learning-Driven Multi-Vessel Association: Fusing Multimodal Data for Maritime Intelligence [6.674254442133529]
  本稿では,海中マルチモーダルデータ融合に適したグラフ学習型マルチコンテナアソシエーション(GMvA)手法を提案する。 AISとCCTVデータを統合することで、GMvAは時系列学習とグラフニューラルネットワークを活用して、血管軌跡の特徴を効果的に捉える。 実世界の海洋データセットの実験は、GMvAがマルチターゲットアソシエーションにおいて優れた精度とロバスト性を提供することを確認した。
  論文  参考訳（メタデータ） (2025-04-12T12:45:55Z)
• 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)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• SaliencyI2PLoc: saliency-guided image-point cloud localization using contrastive learning [17.29563451509921]
  SaliencyI2PLocは、Saliencyマップを機能集約に融合させる、対照的な学習アーキテクチャである。 本手法は,都市シナリオ評価データセット上で78.92%のRecall@1と97.59%のRecall@20を実現する。
  論文  参考訳（メタデータ） (2024-12-20T05:20:10Z)
• World-Consistent Data Generation for Vision-and-Language Navigation [33.13590164890286]
  VLN(Vision-and-Language Navigation)は、自然言語の指示に従って、エージェントがフォトリアリスティックな環境をナビゲートする必要がある課題である。 VLNの主な障害はデータの不足であり、目に見えない環境における一般化性能の低下につながる。 多様性と世界整合性の両方を満たす効率的なデータ拡張フレームワークである世界整合データ生成(WCGEN)を提案する。
  論文  参考訳（メタデータ） (2024-12-09T11:40:54Z)
• A Cosmic-Scale Benchmark for Symmetry-Preserving Data Processing [1.96862953848735]
  局所的なクラスタリング環境と長距離相関を同時にキャプチャするグラフニューラルネットワークの能力をベンチマークする。 現在のアーキテクチャでは、ドメイン固有のベースラインと同様に、長距離相関から情報を取得することができません。
  論文  参考訳（メタデータ） (2024-10-27T16:58:48Z)
• Decentralized Federated Learning with Gradient Tracking over Time-Varying Directed Networks [42.92231921732718]
  本稿では,DSGTm-TVというコンセンサスに基づくアルゴリズムを提案する。 グラデーショントラッキングとヘビーボールモーメントを取り入れて、グローバルな目的関数を最適化する。 DSGTm-TVでは、エージェントは近隣エージェントとの情報交換を用いて局所モデルパラメータと勾配推定を更新する。
  論文  参考訳（メタデータ） (2024-09-25T06:23:16Z)
• Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference [23.8192952068949]
  S-temporal data(CSST)のための新しいコントラスト型自己学習フレームワークを提案する。 提案手法は,POI(Points of Interest)とその距離に基づく空間隣接グラフの構築から始める。 我々は、類似した事例から対象部分グラフの表現を予測するために、スワップした予測手法を採用する。 実世界の2つのデータセットで実施した実験では、広範囲のノイズデータに基づいて事前トレーニングされたCSSTが、ゼロからトレーニングされたモデルより一貫して優れていることを示した。
  論文  参考訳（メタデータ） (2023-09-06T02:51:24Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)

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。