論文の概要: WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects

• arxiv url: http://arxiv.org/abs/2604.07759v1
• Date: Thu, 09 Apr 2026 03:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.67482
• Title: WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects
• Title（参考訳）: WUTDet: 100Kスケールの船検出データセットと複雑な小さなオブジェクトによるベンチマーク
• Authors: Junxiong Liang, Mengwei Bao, Tianxiang Wang, Xinggang Wang, An-An Liu, Ryan Wen Liu,
• Abstract要約: WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。 CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
• 参考スコア（独自算出の注目度）: 68.44670476527155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ship detection for navigation is a fundamental perception task in intelligent waterway transportation systems. However, existing public ship detection datasets remain limited in terms of scale, the proportion of small-object instances, and scene diversity, which hinders the systematic evaluation and generalization study of detection algorithms in complex maritime environments. To this end, we construct WUTDet, a large-scale ship detection dataset. WUTDet contains 100,576 images and 381,378 annotated ship instances, covering diverse operational scenarios such as ports, anchorages, navigation, and berthing, as well as various imaging conditions including fog, glare, low-lightness, and rain, thereby exhibiting substantial diversity and challenge. Based on WUTDet, we systematically evaluate 20 baseline models from three mainstream detection architectures, namely CNN, Transformer, and Mamba. Experimental results show that the Transformer architecture achieves superior overall detection accuracy (AP) and small-object detection performance (APs), demonstrating stronger adaptability to complex maritime scenes; the CNN architecture maintains an advantage in inference efficiency, making it more suitable for real-time applications; and the Mamba architecture achieves a favorable balance between detection accuracy and computational efficiency. Furthermore, we construct a unified cross-dataset test set, Ship-GEN, to evaluate model generalization. Results on Ship-GEN show that models trained on WUTDet exhibit stronger generalization under different data distributions. These findings demonstrate that WUTDet provides effective data support for the research, evaluation, and generalization analysis of ship detection algorithms in complex maritime scenarios. The dataset is publicly available at: https://github.com/MAPGroup/WUTDet.
• Abstract（参考訳）: 航法のための船舶検出は、インテリジェントな水路輸送システムにおける基本的な認識課題である。 しかし、既存の公船検出データセットは、スケール、小さなオブジェクトのインスタンスの割合、シーンの多様性の点で制限されており、複雑な海洋環境における検出アルゴリズムの体系的評価と一般化を妨げている。 この目的のために,大規模な船舶検知データセットであるWUTDetを構築した。 WUTDetには100,576枚の画像と381,378個の注釈付き船のインスタンスが含まれており、ポート、アンカージュ、ナビゲーション、バーシングなどの様々な運用シナリオと、霧、光沢、低照度、雨などの様々な画像条件をカバーしている。 WUTDetに基づいて、CNN、Transformer、Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価する。 実験結果から,Transformer アーキテクチャはより優れた総合的検出精度(AP)と小対象検出性能(AP)を実現し,複雑な海洋環境への適応性を高めること,CNN アーキテクチャは推論効率の優位性を保ち,リアルタイムアプリケーションに適していること,Mamba アーキテクチャは検出精度と計算効率のバランスが良好であること,などが示唆された。 さらに、モデル一般化を評価するために、統合されたクロスデータセットテストセットであるShip-GENを構築した。 Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。 これらの結果から,WUTDetは複雑な海洋シナリオにおける船舶検出アルゴリズムの研究,評価,一般化に有効なデータ支援を提供することが示された。 データセットは、https://github.com/MAPGroup/WUTDet.comで公開されている。

関連論文リスト

• NASTaR: NovaSAR Automated Ship Target Recognition Dataset [1.8957631297817699]
  このデータセットは、NovaSAR Sバンド画像から抽出された3415個の船のパッチからなる。 23のユニークなクラス、海岸/オフショアの分離、および船のウェイクが見えるパッチのための補助的なウェイクデータセットなどが含まれる。 ベンチマーク深層学習モデルを用いて,船型分類シナリオにおけるデータセットの適用性を検証した。
  論文  参考訳（メタデータ） (2025-12-20T20:42:30Z)
• 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)
• Ship Detection in Remote Sensing Imagery for Arbitrarily Oriented Object Detection [0.0]
  本研究では,海洋モニタリングや生態モニタリングなどの応用に適した,革新的な船舶検知システムを提案する。 YOLOv8と2つの高度なディープラーニングモデルであるU-Netを用いて、船舶検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-03-17T10:49:41Z)
• MID: A Comprehensive Shore-Based Dataset for Multi-Scale Dense Ship Occlusion and Interaction Scenarios [10.748210940033484]
  海上航行行動データセット(MID)は、複雑な海上環境における船舶検出の課題に対処するために設計されている。 MIDには5,673の画像と135,884の微調整されたターゲットインスタンスが含まれており、教師付き学習と半教師付き学習の両方をサポートしている。 MIDの画像は、43の水域を横断する現実世界のナビゲーションの高精細なビデオクリップから得られたもので、天候や照明条件も様々である。
  論文  参考訳（メタデータ） (2024-12-08T09:34:23Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)

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。