論文の概要: Expose Camouflage in the Water: Underwater Camouflaged Instance Segmentation and Dataset

• arxiv url: http://arxiv.org/abs/2510.17585v1
• Date: Mon, 20 Oct 2025 14:34:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.483335
• Title: Expose Camouflage in the Water: Underwater Camouflaged Instance Segmentation and Dataset
• Title（参考訳）: 水中カモフラージュを排出する:水中カモフラージュされたインスタンスセグメンテーションとデータセット
• Authors: Chuhong Wang, Hua Li, Chongyi Li, Huazhong Liu, Xiongxin Tang, Sam Kwong,
• Abstract要約: カモフラージュされたインスタンスセグメンテーション(CIS)は、周囲と密接に融合したオブジェクトを正確にセグメンテーションする際の大きな課題に直面します。 従来のカモフラージュされたインスタンスセグメンテーション法は、水中のサンプルが限られている地球上で支配的なデータセットに基づいて訓練されており、水中のシーンでは不十分な性能を示す可能性がある。 本研究は,海中カモフラージュされた海洋生物の3,953枚の画像とインスタンスレベルのアノテーションを含む,最初の水中カモフラージュされたインスタンスセグメンテーションデータセットUCIS4Kを紹介する。
• 参考スコア（独自算出の注目度）: 76.92197418745822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of underwater exploration and marine protection, underwater vision tasks are widespread. Due to the degraded underwater environment, characterized by color distortion, low contrast, and blurring, camouflaged instance segmentation (CIS) faces greater challenges in accurately segmenting objects that blend closely with their surroundings. Traditional camouflaged instance segmentation methods, trained on terrestrial-dominated datasets with limited underwater samples, may exhibit inadequate performance in underwater scenes. To address these issues, we introduce the first underwater camouflaged instance segmentation (UCIS) dataset, abbreviated as UCIS4K, which comprises 3,953 images of camouflaged marine organisms with instance-level annotations. In addition, we propose an Underwater Camouflaged Instance Segmentation network based on Segment Anything Model (UCIS-SAM). Our UCIS-SAM includes three key modules. First, the Channel Balance Optimization Module (CBOM) enhances channel characteristics to improve underwater feature learning, effectively addressing the model's limited understanding of underwater environments. Second, the Frequency Domain True Integration Module (FDTIM) is proposed to emphasize intrinsic object features and reduce interference from camouflage patterns, enhancing the segmentation performance of camouflaged objects blending with their surroundings. Finally, the Multi-scale Feature Frequency Aggregation Module (MFFAM) is designed to strengthen the boundaries of low-contrast camouflaged instances across multiple frequency bands, improving the model's ability to achieve more precise segmentation of camouflaged objects. Extensive experiments on the proposed UCIS4K and public benchmarks show that our UCIS-SAM outperforms state-of-the-art approaches.
• Abstract（参考訳）: 水中探査と海洋保護の発展に伴い、水中視覚タスクが広く行われている。 色歪み、低コントラスト、ぼかしを特徴とする劣化した水中環境のため、カモフラージュされたインスタンスセグメンテーション(CIS)は、周囲と密接な混在する物体を正確にセグメンテーションする上で大きな課題に直面している。 従来のカモフラージュされたインスタンスセグメンテーション法は、水中のサンプルが限られている地球上で支配的なデータセットに基づいて訓練されており、水中のシーンでは不十分な性能を示す可能性がある。 これらの課題に対処するため,本論文では,海中カモフラージュされた海洋生物の3,953枚の画像とインスタンスレベルのアノテーションを含む,最初の水中カモフラージュされたインスタンスセグメンテーション(UCIS)データセット(UCIS4K)を紹介した。 さらに,Segment Anything Model (UCIS-SAM) に基づく水中カモフラージュ型インスタンスセグメンテーションネットワークを提案する。 UCIS-SAMには3つの重要なモジュールがあります。 第一に、チャネルバランス最適化モジュール(CBOM)は、水中の特徴学習を改善するためにチャネル特性を強化し、モデルによる水中環境の限られた理解に効果的に対処する。 第2に、周波数領域真の統合モジュール(FDTIM)が提案され、固有物体の特徴を強調し、カモフラージュパターンからの干渉を低減し、カモフラージュした物体と周囲を混合したセグメンテーション性能を向上させる。 最後に、MFFAM(Multi-scale Feature Frequency Aggregation Module)は、複数の周波数帯域にまたがる低コントラストカモフラージュのインスタンスの境界を強化するために設計されており、カモフラージュされたオブジェクトのより正確なセグメンテーションを実現するためのモデルの能力を向上させる。 提案したUCIS4Kおよび公開ベンチマークの大規模な実験は、UCIS-SAMが最先端のアプローチよりも優れていることを示している。

関連論文リスト

• MARIS: Marine Open-Vocabulary Instance Segmentation with Geometric Enhancement and Semantic Alignment [56.88334234553316]
  我々は,水中オープンボキャブラリ(OV)セグメンテーションのための大規模なベンチマークであるtextbfMARIS (underlineMarine Open-Vocabulary underlineInstance underlineSegmentation)を紹介した。 当社のフレームワークは、既存のOVベースラインであるIn-DomainとCross-Domainの両方を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-10-17T07:50:58Z)
• Advancing Marine Research: UWSAM Framework and UIIS10K Dataset for Precise Underwater Instance Segmentation [110.02397462607449]
  大規模な水中インスタンスセグメンテーションデータセットであるUIIS10Kを提案する。 次に,水中インスタンスの自動・高精度セグメンテーションのための効率的なモデルであるUWSAMを紹介する。 複数の水中インスタンスデータセット上での最先端手法よりも優れた性能向上を実現し,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2025-05-21T14:36:01Z)
• Improving underwater semantic segmentation with underwater image quality attention and muti-scale aggregation attention [13.73105543582749]
  UnderWater SegFormer (UWSegFormer) は、低品質水中画像のセマンティックセグメンテーションのためのトランスフォーマーベースのフレームワークである。 提案手法は,SOTA法と比較した場合,分割完全性,境界明細度,主観的知覚的詳細性の点で有利である。
  論文  参考訳（メタデータ） (2025-03-30T12:47:56Z)
• Diving into Underwater: Segment Anything Model Guided Underwater Salient Instance Segmentation and A Large-scale Dataset [60.14089302022989]
  水中視覚タスクは複雑な水中状況のため、しばしばセグメンテーションの精度が低い。 第1次大規模水中塩分分節データセット(USIS10K)を構築した。 本研究では,水中ドメインに特化してセグメンツ・ア・シング・モデル(USIS-SAM)に基づく水中塩分・インスタンス・アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-06-10T06:17:33Z)

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。