論文の概要: UW-VOS: A Large-Scale Dataset for Underwater Video Object Segmentation

• arxiv url: http://arxiv.org/abs/2603.24006v1
• Date: Wed, 25 Mar 2026 07:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.177126
• Title: UW-VOS: A Large-Scale Dataset for Underwater Video Object Segmentation
• Title（参考訳）: UW-VOS:水中ビデオオブジェクトセグメンテーションのための大規模データセット
• Authors: Hongshen Zhao, Jingkang Tai, Yuhang Wu, Wenkang Zhang, Xi Lan, Shangyan Wang, Tianyu Zhang, Wankou Yang,
• Abstract要約: 本稿では,409のカテゴリに1,431の動画シーケンスと309,295のマスクアノテーションを含む,最初の大規模水中VOSベンチマークを紹介する。 また、パラメータ効率のよいフレームワークである$textbfSAM-U$を提案し、SAM2を水中ドメインに適応させる。
• 参考スコア（独自算出の注目度）: 15.886577205112902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater Video Object Segmentation (VOS) is essential for marine exploration, yet open-air methods suffer significant degradation due to color distortion, low contrast, and prevalent camouflage. A primary hurdle is the lack of high-quality training data. To bridge this gap, we introduce $\textbf{UW-VOS}$, the first large-scale underwater VOS benchmark comprising 1,431 video sequences across 409 categories with 309,295 mask annotations, constructed via a semi-automatic data engine with rigorous human verification. We further propose $\textbf{SAM-U}$, a parameter-efficient framework that adapts SAM2 to the underwater domain. By inserting lightweight adapters into the image encoder, SAM-U achieves state-of-the-art performance with only $\sim$2$\%$ trainable parameters. Extensive experiments reveal that existing methods experience an average 13-point $\mathcal{J}\&\mathcal{F}$ drop on UW-VOS, while SAM-U effectively bridges this domain gap. Detailed attribute-based analysis further identifies small targets, camouflage, and exit-re-entry as critical bottlenecks, providing a roadmap for future research in robust underwater perception.
• Abstract（参考訳）: 水中ビデオオブジェクトセグメンテーション(VOS)は海洋探査に欠かせないが、露天法は色歪み、低コントラスト、一般的なカモフラージュにより著しく劣化する。 一番のハードルは、高品質なトレーニングデータがないことです。 このギャップを埋めるために、$\textbf{UW-VOS}$は409のカテゴリに1,431の動画シーケンスと309,295のマスクアノテーションからなる最初の大規模水中VOSベンチマークである。 さらに、SAM2を水中領域に適応させるパラメータ効率のよいフレームワークである$\textbf{SAM-U}$を提案する。 SAM-Uは、イメージエンコーダに軽量アダプタを挿入することで、$\sim$2$\%のトレーニング可能なパラメータで最先端のパフォーマンスを実現する。 実験により、既存の手法ではUW-VOS上で平均13ポイントの$\mathcal{J}\&\mathcal{F}$ドロップを経験し、SAM-Uはこの領域ギャップを効果的に埋めることがわかった。 詳細な属性に基づく分析により、小さな目標、カモフラージュ、出口再突入を重要なボトルネックとして特定し、将来の堅牢な水中知覚研究のロードマップを提供する。

関連論文リスト

• Expose Camouflage in the Water: Underwater Camouflaged Instance Segmentation and Dataset [76.92197418745822]
  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。
  論文  参考訳（メタデータ） (2025-10-20T14:34:51Z)
• 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)
• Underwater Camouflaged Object Tracking Meets Vision-Language SAM2 [60.47622353256502]
  本研究は,UW-COT220という大規模水中カモフラージュ型物体追跡データセットを提案する。 提案したデータセットに基づいて、本研究はまず、水中環境に挑戦するSAMとSAM2ベースのトラッカーを含む、現在の高度な視覚オブジェクト追跡手法を評価する。 本研究はSAM2よりもSAM2を改良し,水中カモフラージュ物体の複雑度を処理できることを実証した。
  論文  参考訳（メタデータ） (2024-09-25T13:10:03Z)

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。