論文の概要: Beyond Segmentation: An Oil Spill Change Detection Framework Using Synthetic SAR Imagery

• arxiv url: http://arxiv.org/abs/2601.02139v1
• Date: Mon, 05 Jan 2026 14:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.167879
• Title: Beyond Segmentation: An Oil Spill Change Detection Framework Using Synthetic SAR Imagery
• Title（参考訳）: セグメンテーションを超えて:合成SAR画像を用いたオイルスパイル変化検出フレームワーク
• Authors: Chenyang Lai, Shuaiyu Chen, Tianjin Huang, Siyang Song, Guangliang Cheng, Chunbo Luo, Zeyu Fu,
• Abstract要約: オイルスパイル変化検出(OSCD)は、プリスパイルSAR画像とポストスパイルSAR画像の間の変化を特定することに焦点を当てた、新しいバイタイムタスクである。 その結果,OSCDは偽陽性を有意に低減し,従来のセグメンテーションに比べて検出精度が向上した。
• 参考スコア（独自算出の注目度）: 36.496017161452215
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Marine oil spills are urgent environmental hazards that demand rapid and reliable detection to minimise ecological and economic damage. While Synthetic Aperture Radar (SAR) imagery has become a key tool for large-scale oil spill monitoring, most existing detection methods rely on deep learning-based segmentation applied to single SAR images. These static approaches struggle to distinguish true oil spills from visually similar oceanic features (e.g., biogenic slicks or low-wind zones), leading to high false positive rates and limited generalizability, especially under data-scarce conditions. To overcome these limitations, we introduce Oil Spill Change Detection (OSCD), a new bi-temporal task that focuses on identifying changes between pre- and post-spill SAR images. As real co-registered pre-spill imagery is not always available, we propose the Temporal-Aware Hybrid Inpainting (TAHI) framework, which generates synthetic pre-spill images from post-spill SAR data. TAHI integrates two key components: High-Fidelity Hybrid Inpainting for oil-free reconstruction, and Temporal Realism Enhancement for radiometric and sea-state consistency. Using TAHI, we construct the first OSCD dataset and benchmark several state-of-the-art change detection models. Results show that OSCD significantly reduces false positives and improves detection accuracy compared to conventional segmentation, demonstrating the value of temporally-aware methods for reliable, scalable oil spill monitoring in real-world scenarios.
• Abstract（参考訳）: 海洋油流出は、環境・経済被害を最小限に抑えるために、迅速かつ信頼性の高い検出を必要とする緊急環境の危険である。 合成開口レーダ(SAR)画像は大規模石油流出モニタリングの鍵となるツールとなっているが、既存の検出手法のほとんどは、単一のSAR画像に適用されたディープラーニングに基づくセグメンテーションに依存している。 これらの静的アプローチは、真の石油流出と視覚的に類似した海洋特性(例えば、生物発生スリックや低風域)を区別するのに苦労し、特にデータスカース条件下では、高い偽陽性率と限定的な一般化性をもたらす。 これらの制限を克服するために、我々は、事前SAR画像と後SAR画像の間の変化を特定することに焦点を当てた、新しいバイタイムタスクであるPulil Spill Change Detection (OSCD)を導入する。 実際のプレスパイル画像は必ずしも利用できないため、ポストスパイルSARデータから合成プレスパイル画像を生成するTAHI(Temporal-Aware Hybrid Inpainting)フレームワークを提案する。 TAHIは2つの重要な要素を統合している: オイルフリーリコンストラクションのためのハイフィデリティハイブリッド塗装と、放射線と海洋の整合性のためのテンポラルリアリズム強化である。 TAHIを用いて、最初のOSCDデータセットを構築し、いくつかの最先端の変更検出モデルをベンチマークする。 その結果、OSCDは偽陽性を著しく低減し、従来のセグメンテーションと比較して検出精度を向上し、リアルタイムのシナリオにおける信頼性とスケーラブルなオイル流出モニタリングのための時間的認識手法の価値を実証した。

関連論文リスト

• Delving into Cascaded Instability: A Lipschitz Continuity View on Image Restoration and Object Detection Synergy [95.93943805282868]
  リプシッツ規則化物体検出(LROD) 本稿では,リプシッツ規則化YOLO(LR-YOLO)を提案する。 ヘイズと低照度ベンチマークの実験では、LR-YOLOは検出安定性、最適化のスムーズさ、全体的な精度を一貫して改善している。
  論文  参考訳（メタデータ） (2025-10-28T09:41:42Z)
• Hydra-Bench: A Benchmark for Multi-Modal Leaf Wetness Sensing [5.54739216930577]
  本稿では,葉の濡れ度検出における機械学習アルゴリズムの評価と進展に特化して設計された,新しいマルチモーダルデータセットを提案する。 本データセットは,5種の植物から6ヶ月以上にわたって収集したmWave生データ,合成開口レーダ(SAR)画像,RGB画像から構成した。
  論文  参考訳（メタデータ） (2025-07-30T13:47:56Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Oil Spill Drone: A Dataset of Drone-Captured, Segmented RGB Images for Oil Spill Detection in Port Environments [0.0]
  海洋環境では、石油流出検知のためにRGB画像を使用するデータセットが不足しています。 本稿では,デスクトップおよびエッジコンピューティングプラットフォーム上でのニューラルネットワークを用いた,ユニークな注釈付きデータセットを提案する。 ドローンでキャプチャされたデータセットは、石油、水などに分類される1268のイメージと、Unetモデルアーキテクチャを用いてトレーニングされた畳み込みニューラルネットワークで構成され、石油検出のためのF1スコアが0.71である。
  論文  参考訳（メタデータ） (2024-02-28T09:47:35Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Hyperspectral Remote Sensing Benchmark Database for Oil Spill Detection with an Isolation Forest-Guided Unsupervised Detector [13.739881592455044]
  近年、海洋石油流出事故が環境、天然資源、沿岸住民の生活に深刻な影響を与えているため、石油流出の検出が注目されている。 既存のアプローチのほとんどは、ハイパースペクトル画像(HSI)からのオイル流出を検出するための教師付きおよび半教師付きフレームワークに基づいている。 本研究では,HSIの孤立林を基盤とした非監督型油流出検出手法の開発を初めて試みる。
  論文  参考訳（メタデータ） (2022-09-28T02:26:42Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Deep learning based automatic detection of offshore oil slicks using SAR data and contextual information [0.0]
  本稿では,両種類のスリックを有する広範囲なデータベース上で,オフショアオイルスリックの自動化について述べる。 これは、Sentinel-1 SARデータ上の特殊な写真解釈器のスリックアノテーションを、世界中の3つの探査および監視エリアで4年間にわたって構築している。 本研究の主な成果は,深層学習によるスリック検出の有効性である。
  論文  参考訳（メタデータ） (2022-04-13T13:30:16Z)
• Oil Spill SAR Image Segmentation via Probability Distribution Modelling [18.72207562693259]
  本研究の目的は,SAR画像における海洋油流出の同定に有効なセグメンテーション手法を開発することである。 我々は,オイル流出SAR画像の確率分布表現を達成するために,SAR撮像機構を再検討する。 次に, 油流出特性を組み込んだセグメンテーションエネルギー関数を定式化するために, 分布表現を利用する。
  論文  参考訳（メタデータ） (2021-12-17T17:22:29Z)

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。