論文の概要: AquaFeat+: an Underwater Vision Learning-based Enhancement Method for Object Detection, Classification, and Tracking

• arxiv url: http://arxiv.org/abs/2601.09652v1
• Date: Wed, 14 Jan 2026 17:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.488147
• Title: AquaFeat+: an Underwater Vision Learning-based Enhancement Method for Object Detection, Classification, and Tracking
• Title（参考訳）: AquaFeat+:物体検出・分類・追跡のための水中視覚学習による強化手法
• Authors: Emanuel da Costa Silva, Tatiana Taís Schein, José David García Ramos, Eduardo Lawson da Silva, Stephanie Loi Brião, Felipe Gomes de Oliveira, Paulo Lilles Jorge Drews-Jr,
• Abstract要約: この研究はAquaFeat+を提案する。AquaFeat+は自動視覚タスクに特化して機能を強化するために設計されたプラグアンドプレイパイプラインである。 このアーキテクチャには、色補正、階層的特徴強調、適応的残留出力のためのモジュールが含まれており、最終アプリケーションの損失関数によってエンドツーエンドにトレーニングされ、直接ガイドされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underwater video analysis is particularly challenging due to factors such as low lighting, color distortion, and turbidity, which compromise visual data quality and directly impact the performance of perception modules in robotic applications. This work proposes AquaFeat+, a plug-and-play pipeline designed to enhance features specifically for automated vision tasks, rather than for human perceptual quality. The architecture includes modules for color correction, hierarchical feature enhancement, and an adaptive residual output, which are trained end-to-end and guided directly by the loss function of the final application. Trained and evaluated in the FishTrack23 dataset, AquaFeat+ achieves significant improvements in object detection, classification, and tracking metrics, validating its effectiveness for enhancing perception tasks in underwater robotic applications.
• Abstract（参考訳）: 水中ビデオ解析は、低照度、色歪み、濁度などの要因により特に困難であり、視覚データの品質を損なうとともに、ロボットアプリケーションにおける知覚モジュールのパフォーマンスに直接影響する。 この研究は、人間の知覚品質ではなく、自動視覚タスクに特化して機能を強化するために設計されたプラグアンドプレイパイプラインであるAquaFeat+を提案する。 このアーキテクチャには、色補正、階層的特徴強調、適応的残留出力のためのモジュールが含まれており、最終アプリケーションの損失関数によってエンドツーエンドにトレーニングされ、直接ガイドされる。 FishTrack23データセットでトレーニングされ、評価されたAquaFeat+は、オブジェクトの検出、分類、トラッキングのメトリクスを大幅に改善し、水中ロボットアプリケーションにおける知覚タスクの強化の有効性を検証する。

関連論文リスト

• AquaFeat: A Features-Based Image Enhancement Model for Underwater Object Detection [0.0]
  本稿では,タスク駆動機能拡張を行う新しいプラグイン・アンド・プレイモジュールであるAquaFeatを提案する。 提案手法は,マルチスケール機能強化ネットワークを訓練したエンドツーエンドと検出器の損失関数を統合する。 挑戦的な水中データセット上でYOLOv8mと統合されたAquaFeatは、最先端の精度(0.877)とリコール(0.624)を達成し、競争力のあるmAPスコア(0.677のmAP@0.5、mAP@[0.5:0.95]の0.421)を達成している。
  論文  参考訳（メタデータ） (2025-08-17T12:22:18Z)
• Learning Underwater Active Perception in Simulation [51.205673783866146]
  タービディティは、検査された構造物の正確な視覚的記録を阻止する可能性があるため、ミッション全体を危険に晒す可能性がある。 従来の研究は、濁度や後方散乱に適応する手法を導入してきた。 本研究では, 広範囲の水環境下での高品質な画像取得を実現するための, 単純かつ効率的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-23T06:48:38Z)
• LUIEO: A Lightweight Model for Integrating Underwater Image Enhancement and Object Detection [10.572090127928698]
  本稿では,水中画像の強調と検出精度の向上を同時に行うマルチタスク学習手法を提案する。 統合モデルは、情報通信と異なるタスク間の共有を動的に調整することを可能にする。 数値実験により,提案モデルが視覚性能,物体検出精度,検出効率を満足できることを示す。
  論文  参考訳（メタデータ） (2024-12-01T14:01:30Z)
• HUPE: Heuristic Underwater Perceptual Enhancement with Semantic Collaborative Learning [62.264673293638175]
  既存の水中画像強調法は主に視覚的品質の向上に重点を置いており、実際的な意味を見落としている。 視覚的品質を高め,他の下流タスクに対処する柔軟性を示す,水中知覚向上のための可逆的ネットワークHを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:37:03Z)
• Improving Underwater Visual Tracking With a Large Scale Dataset and Image Enhancement [70.2429155741593]
  本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。 水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。 本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。 この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
  論文  参考訳（メタデータ） (2023-08-30T07:41:26Z)
• Semantic-aware Texture-Structure Feature Collaboration for Underwater Image Enhancement [58.075720488942125]
  水中画像の強調は海洋工学や水生ロボット工学において重要な技術として注目されている。 我々は,高レベルな意味認識事前学習モデルと協調して,効率的でコンパクトな拡張ネットワークを開発する。 また,提案手法を水中の有意な物体検出タスクに適用し,高レベルの視覚タスクに適した意味認識能力を明らかにする。
  論文  参考訳（メタデータ） (2022-11-19T07:50:34Z)
• A Benchmark dataset for both underwater image enhancement and underwater object detection [34.25890702670983]
  境界ボックスアノテーションと高品質な参照画像の両方を用いた大規模水中物体検出データセットを提供する。 OUCデータセットは、水中物体検出タスクにおける水中画像強調アルゴリズムの影響を包括的に研究するためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2020-06-29T03:12:50Z)

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。