論文の概要: SparseUWSeg: Active Sparse Point-Label Augmentation for Underwater Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2510.10163v1
• Date: Sat, 11 Oct 2025 10:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.819415
• Title: SparseUWSeg: Active Sparse Point-Label Augmentation for Underwater Semantic Segmentation
• Title（参考訳）: SparseUWSeg:水中セマンティックセグメンテーションのためのアクティブスパースポイントラベル拡張
• Authors: César Borja, Carlos Plou, Rubén Martinez-Cantín, Ana C. Murillo,
• Abstract要約: セマンティックセグメンテーションのための新しいフレームワークであるSparseUWSegを紹介する。 SparseUWSegは、アノテータを誘導し、ポイントラベルの価値を最大化するアクティブサンプリング戦略を採用している。 2つの多様な水中データセットの実験は、最先端アプローチに対するSparseUWSegの利点を示している。
• 参考スコア（独自算出の注目度）: 5.595626117136082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic segmentation is essential to automate underwater imagery analysis with ecology monitoring purposes. Unfortunately, fine grained underwater scene analysis is still an open problem even for top performing segmentation models. The high cost of obtaining dense, expert-annotated, segmentation labels hinders the supervision of models in this domain. While sparse point-labels are easier to obtain, they introduce challenges regarding which points to annotate and how to propagate the sparse information. We present SparseUWSeg, a novel framework that addresses both issues. SparseUWSeg employs an active sampling strategy to guide annotators, maximizing the value of their point labels. Then, it propagates these sparse labels with a hybrid approach leverages both the best of SAM2 and superpixel-based methods. Experiments on two diverse underwater datasets demonstrate the benefits of SparseUWSeg over state-of-the-art approaches, achieving up to +5\% mIoU over D+NN. Our main contribution is the design and release of a simple but effective interactive annotation tool, integrating our algorithms. It enables ecology researchers to leverage foundation models and computer vision to efficiently generate high-quality segmentation masks to process their data.
• Abstract（参考訳）: セマンティックセグメンテーションは、生態モニタリングの目的で水中画像解析を自動化するのに不可欠である。 残念なことに、最高のセグメンテーションモデルであっても、きめ細かい水中のシーン分析は未解決の問題である。 密集した専門家の注釈付きセグメンテーションラベルを得るための高コストは、この領域におけるモデルの監督を妨げる。 スパース・ポイント・ラベルは入手しやすいが、どのポイントにアノテートするか、スパース・情報をどのように広めるかという課題を導入する。 両問題に対処する新しいフレームワークであるSparseUWSegを紹介します。 SparseUWSegは、アノテータを誘導し、ポイントラベルの価値を最大化するアクティブサンプリング戦略を採用している。 そして、これらのスパースラベルをSAM2とスーパーピクセルベースの手法の両方を併用したハイブリッドアプローチで伝播する。 2つの多様な水中データセットの実験は、最先端アプローチに対するSparseUWSegの利点を示し、D+NNよりも+5\% mIoUに達する。 私たちの主な貢献は、シンプルだが効果的な対話型アノテーションツールの設計とリリースであり、私たちのアルゴリズムを統合しています。 これにより、エコロジー研究者は基礎モデルとコンピュータビジョンを利用して、高品質なセグメンテーションマスクを効率的に生成し、データを処理できる。

関連論文リスト

• A Data-efficient Framework for Robotics Large-scale LiDAR Scene Parsing [10.497309421830671]
  既存の最先端の3Dポイントクラウド理解手法は、完全に教師された方法でのみうまく機能する。 この研究は、ラベルが制限されているときのポイントクラウドを理解するための、汎用的でシンプルなフレームワークを提示している。
  論文  参考訳（メタデータ） (2023-12-03T02:38:51Z)
• Deep Multi-View Subspace Clustering with Anchor Graph [11.291831842959926]
  アンカーグラフ(DMCAG)を用いた深層多視点サブスペースクラスタリング手法を提案する。 DMCAGは各ビューの埋め込み機能を独立して学習し、サブスペース表現を得るために使用される。 本手法は他の最先端手法よりも優れたクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2023-05-11T16:17:43Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation [94.16816278191477]
  本稿では,セミアダプティブなセマンティックセマンティックセマンティックセグメンテーションのためのフレームワークを提案する。 ラベルのない画像シーケンスでのみ訓練された自己教師付き単眼深度推定によって強化される。 提案したモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2021-08-28T01:33:38Z)
• Three Ways to Improve Semantic Segmentation with Self-Supervised Depth Estimation [90.87105131054419]
  ラベルなし画像列からの自己教師付き単眼深度推定により強化された半教師付きセマンティックセマンティックセマンティックセマンティクスのフレームワークを提案する。 提案されたモデルをCityscapesデータセット上で検証する。
  論文  参考訳（メタデータ） (2020-12-19T21:18:03Z)

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。