論文の概要: Multi-Modal Robust Enhancement for Coastal Water Segmentation: A Systematic HSV-Guided Framework
- arxiv url: http://arxiv.org/abs/2509.08694v1
- Date: Wed, 10 Sep 2025 15:34:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-11 15:16:52.475973
- Title: Multi-Modal Robust Enhancement for Coastal Water Segmentation: A Systematic HSV-Guided Framework
- Title（参考訳）: 沿岸水域分水化のためのマルチモーダルロバスト強化:HSV誘導フレームワーク
- Authors: Zhen Tian, Christos Anagnostopoulos, Qiyuan Wang, Zhiwei Gao,
- Abstract要約: 本稿では,ロバストU-Netと呼ばれる体系的堅牢な拡張フレームワークを提案する。
提案手法は, HSV誘導色監督, 勾配に基づく海岸線最適化, モルフォロジー後処理, 海域浄化, 接続制御の5つの相乗的成分を統合した。
本手法は,計算効率を維持しながら,複数の評価指標間で一貫した改善を示す。
- 参考スコア（独自算出の注目度）: 6.883227643719489
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coastal water segmentation from satellite imagery presents unique challenges due to complex spectral characteristics and irregular boundary patterns. Traditional RGB-based approaches often suffer from training instability and poor generalization in diverse maritime environments. This paper introduces a systematic robust enhancement framework, referred to as Robust U-Net, that leverages HSV color space supervision and multi-modal constraints for improved coastal water segmentation. Our approach integrates five synergistic components: HSV-guided color supervision, gradient-based coastline optimization, morphological post-processing, sea area cleanup, and connectivity control. Through comprehensive ablation studies, we demonstrate that HSV supervision provides the highest impact (0.85 influence score), while the complete framework achieves superior training stability (84\% variance reduction) and enhanced segmentation quality. Our method shows consistent improvements across multiple evaluation metrics while maintaining computational efficiency. For reproducibility, our training configurations and code are available here: https://github.com/UofgCoastline/ICASSP-2026-Robust-Unet.
- Abstract（参考訳）: 衛星画像からの沿岸水のセグメンテーションは、複雑なスペクトル特性と不規則な境界パターンのために、ユニークな課題を示す。
従来のRGBベースのアプローチは、様々な海洋環境において、トレーニングの不安定さと一般化の貧弱さに悩まされることが多い。
本稿では,HSV色空間の監督とマルチモーダル制約を活用して沿岸域の分水率を向上する,ロバストU-Netと呼ばれる系統的堅牢化フレームワークを提案する。
提案手法は, HSV誘導色監督, 勾配に基づく海岸線最適化, モルフォロジー後処理, 海域浄化, 接続制御の5つの相乗的成分を統合した。
包括的アブレーション研究により,HSVの監督が最高の影響(0.85インフルエンススコア)を提供するのに対し,完全なフレームワークは優れたトレーニング安定性(84 %の分散低減)とセグメンテーション品質の向上を実現していることを示す。
本手法は,計算効率を維持しながら,複数の評価指標間で一貫した改善を示す。
再現性については、https://github.com/UofgCoastline/ICASSP-2026-Robust-Unet.comでトレーニング設定とコードを公開しています。
関連論文リスト
- Online Clustering of Seafloor Imagery for Interpretation during Long-Term AUV Operations [0.4666493857924358]
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。
論文 参考訳（メタデータ） (2025-09-08T13:36:27Z) - SETBVE: Quality-Diversity Driven Exploration of Software Boundary Behaviors [6.736000553666346]
ソフトウェアシステムは入力特性に基づいて異なる振る舞いを示し、しばしば入力ドメイン間の境界で障害が発生する。
従来の境界値分析(BVA)は手動のドメインに依存し、自動化された境界値探索(BVE)メソッドは通常、単一の品質メトリクスを最適化する。
我々は、品質多様性(QD)最適化を利用して、より広い範囲の境界を体系的に発見・洗練する、自動ブラックボックスBVEのためのカスタマイズ可能なモジュラーフレームワークSETBVEを紹介する。
論文 参考訳（メタデータ） (2025-05-26T09:20:29Z) - RUSplatting: Robust 3D Gaussian Splatting for Sparse-View Underwater Scene Reconstruction [9.070464075411472]
本稿では,水中深部レンダリングの視覚的品質と精度を両立させる,ガウススプラッティングに基づくフレームワークを提案する。
水中減衰の物理によって導かれるRGBチャネルの分離学習を提案し,より正確な色復元を実現する。
新たに収集されたデータセットであるSubmerged3Dは、特に深海環境においてキャプチャされる。
論文 参考訳（メタデータ） (2025-05-21T16:42:15Z) - 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) - Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。
本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
論文 参考訳（メタデータ） (2025-03-06T05:13:19Z) - PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。
ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。
判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
論文 参考訳（メタデータ） (2025-02-26T07:34:33Z) - Efficient Real-world Image Super-Resolution Via Adaptive Directional Gradient Convolution [80.85121353651554]
畳み込みカーネル内でのカーネル単位の微分演算を導入し、学習可能な方向勾配畳み込みを開発する。
これらの畳み込みは、新しい線形重み付け機構と平行に統合され、適応方向勾配畳み込み(DGConv)を形成する。
さらに,適応情報相互作用ブロック(AIIBlock)を設計し,テクスチャとコントラストの強化のバランスをとるとともに,相互依存性を慎重に検討し,単純な積み重ねによるリアルSRのためのDGPNetを作成する。
論文 参考訳（メタデータ） (2024-05-11T14:21:40Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - MuLA-GAN: Multi-Level Attention GAN for Enhanced Underwater Visibility [1.9272863690919875]
本稿では,総合的な水中画像強調のためのGAN(Geneversarative Adrial Networks)とマルチレベルアテンション機構の相乗効果を利用した新しいアプローチであるMuLA-GANを紹介する。
本モデルは,水中画像の複雑な細部を捉え保存することに優れており,様々な用途に欠かせない。
この研究は、水中画像の強調における重要な研究ギャップに対処するだけでなく、GANの強化におけるマルチレベル注意の重要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2023-12-25T07:33:47Z) - BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung
Infection Segmentation from CT Images [83.82141604007899]
BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。
BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。
BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
論文 参考訳（メタデータ） (2022-07-17T08:54:07Z) - MLFcGAN: Multi-level Feature Fusion based Conditional GAN for Underwater
Image Color Correction [35.16835830904171]
水中画像色補正のための条件付き生成逆数ネットワーク(GAN)に基づく深層マルチスケール機能融合ネットを提案する。
ネットワーク上では,まずマルチスケールの特徴を抽出し,各スケールの局所的特徴をグローバルな特徴で拡張する。
この設計は、より効率的で高速なネットワーク学習を促進するために検証され、色補正とディテール保存の両方の性能が向上した。
論文 参考訳（メタデータ） (2020-02-13T04:15:10Z)
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。