論文の概要: Enhancing Cross Domain SAR Oil Spill Segmentation via Morphological Region Perturbation and Synthetic Label-to-SAR Generation
- arxiv url: http://arxiv.org/abs/2512.02290v1
- Date: Tue, 02 Dec 2025 00:13:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.65819
- Title: Enhancing Cross Domain SAR Oil Spill Segmentation via Morphological Region Perturbation and Synthetic Label-to-SAR Generation
- Title（参考訳）: 形態的領域摂動と合成ラベル-SAR生成によるクロスドメインSARオイルスパイルセグメンテーションの促進
- Authors: Andre Juarez, Luis Salsavilca, Frida Coaquira, Celso Gonzales,
- Abstract要約: SARオイル流出セグメンテーションの深層学習モデルは、海洋状態、後方散乱統計、スリック形態の違いにより、地域間での一般化に失敗することが多い。
地中海からペルーへの移動を改善するための2段階合成拡張フレームワークである textbfMORP-Synth を提案する。
地中海で事前訓練されたモデルは、ペルーの領域で67.8%から51.8%mIoUに低下し、MORP--Synthは+6mIoUに向上し、少数派のIoU(+10.8オイル、+14.6ルックライク)を増強する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models for SAR oil spill segmentation often fail to generalize across regions due to differences in sea-state, backscatter statistics, and slick morphology, a limitation that is particularly severe along the Peruvian coast where labeled Sentinel-1 data remain scarce. To address this problem, we propose \textbf{MORP--Synth}, a two-stage synthetic augmentation framework designed to improve transfer from Mediterranean to Peruvian conditions. Stage~A applies Morphological Region Perturbation, a curvature guided label space method that generates realistic geometric variations of oil and look-alike regions. Stage~B renders SAR-like textures from the edited masks using a conditional generative INADE model. We compile a Peruvian dataset of 2112 labeled 512$\times$512 patches from 40 Sentinel-1 scenes (2014--2024), harmonized with the Mediterranean CleanSeaNet benchmark, and evaluate seven segmentation architectures. Models pretrained on Mediterranean data degrade from 67.8\% to 51.8\% mIoU on the Peruvian domain; MORP--Synth improves performance up to +6 mIoU and boosts minority-class IoU (+10.8 oil, +14.6 look-alike).
- Abstract（参考訳）: SARオイル流出セグメンテーションの深層学習モデルは、海洋状態、後方散乱統計、スリック形態学の違いにより、地域間での一般化に失敗することが多い。
この問題に対処するために,地中海からペルーへの移動を改善するために設計された2段階の合成拡張フレームワークである \textbf{MORP-Synth} を提案する。
ステージ~Aは、湾曲誘導ラベル空間法であるMorphological Region Perturbationを適用し、油とルックライクな領域のリアルな幾何学的変動を生成する。
ステージ~Bは、条件生成INADEモデルを用いて、編集されたマスクからSARのようなテクスチャを描画する。
我々は、センチネル-1の40のシーン(2014-2024)から512ドルというラベル付きペルーのデータセットをコンパイルし、地中海クリーンシーネットのベンチマークと調和し、7つのセグメンテーションアーキテクチャを評価します。
関連論文リスト
- Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation [1.8627637926778255]
本稿では,高度U-Net変種と空間クラスタリングを統合し,地平線連続性と幾何学的忠実度を向上させるハイブリッドフレームワークを提案する。
このフレームワークは、メキシルハオフィールド(ブラジルのサントス盆地)のデータセットに0.881と2.49msの検証IoUと2.49msのMAEの検証を行い、北海のデータセットのF3ブロックでは97.6%の優れた表面カバレッジを実現している。
論文 参考訳（メタデータ） (2025-11-28T20:14:53Z) - Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。
マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。
Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
論文 参考訳（メタデータ） (2025-11-28T09:52:44Z) - Exploring the Underwater World Segmentation without Extra Training [55.291219073365546]
我々は,最初の大規模かつ微細な水中セグメンテーションデータセットである textbfAquaOV255 を紹介する。
トレーニング不要なOVセグメンテーションフレームワークである textbfEarth2Ocean も紹介する。
論文 参考訳（メタデータ） (2025-11-11T07:22:56Z) - Deep learning-based object detection of offshore platforms on Sentinel-1 Imagery and the impact of synthetic training data [0.3823356975862005]
オフショアインフラストラクチャ検出のための堅牢なモデルの開発は、包括的なバランスの取れたデータセットに依存している。
本研究では, 深層学習に基づく YOLOv10 オブジェクト検出モデルを, 合成画像と実際のSentinel-1 衛星画像の組み合わせで訓練することにより, モデル性能を向上させるための合成データの利用について検討する。
北海で411台、メキシコ湾で1,519台、ペルシャ湾で1,593台を含む合計3,529台が検出された。
論文 参考訳（メタデータ） (2025-11-06T12:13:53Z) - Neptune-X: Active X-to-Maritime Generation for Universal Maritime Object Detection [54.1960918379255]
Neptune-Xは、海洋オブジェクト検出のためのデータ中心の生成-選択フレームワークである。
X-to-Maritime(X-to-Maritime)は、多様で現実的な海洋シーンを合成する多モード条件生成モデルである。
提案手法は,海上シーン合成における新しいベンチマークを設定し,検出精度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-09-25T04:59:02Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。
大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。
水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。
本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
論文 参考訳（メタデータ） (2025-05-02T12:21:44Z) - KunPeng: A Global Ocean Environmental Model [5.565814778529731]
本研究では,KunPeng大洋環境予測モデルを構築し,気象学的な大規模モデル手法を海洋領域に移行した。
陸域境界における急勾配による発散を効果的に訓練するための地形適応型マスク拘束機構を提案する。
論文 参考訳（メタデータ） (2025-04-07T06:41:05Z) - A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features [1.907072234794597]
この研究は、アマゾン、アフリカ、シベリアの3つの異なる地域に焦点を当て、これらの地域の様々なエコリージョンにおけるモデルパフォーマンスを評価する。
その結果,訓練データに制限のある地域においても,総合的精度(O.A.)の達成における提案手法の有効性と能力が示された。
論文 参考訳（メタデータ） (2025-03-10T12:15:35Z) - Semantic Segmentation by Early Region Proxy [53.594035639400616]
本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。
領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。
現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
論文 参考訳（メタデータ） (2022-03-26T10:48:32Z)
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。