論文の概要: A Probabilistic Framework for Improving Dense Object Detection in Underwater Image Data via Annealing-Based Data Augmentation

• arxiv url: http://arxiv.org/abs/2604.21198v1
• Date: Thu, 23 Apr 2026 01:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.234432
• Title: A Probabilistic Framework for Improving Dense Object Detection in Underwater Image Data via Annealing-Based Data Augmentation
• Title（参考訳）: アニーリングに基づくデータ拡張による水中画像データの高密度物体検出のための確率的枠組み
• Authors: Eleanor Wiesler, Trace Baxley,
• Abstract要約: 本研究では,高密度・非拘束の水中シーンにおけるロバスト性向上を目的とした新しいデータ拡張フレームワークを提案する。 本手法は,訓練中の空間の多様性と物体密度を向上し,複雑なシーンへの一般化を向上する。 これらの結果は,密集した現実世界の水中環境における検出性能向上のための拡張戦略の有効性を示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection models typically perform well on images captured in controlled environments with stable lighting, water clarity, and viewpoint, but their performance degrades substantially in real-world underwater settings characterized by high variability and frequent occlusions. In this work, we address these challenges by introducing a novel data augmentation framework designed to improve robustness in dense and unconstrained underwater scenes. Using the DeepFish dataset, which contains images of fish in natural environments, we first generate bounding box annotations from provided segmentation masks to construct a custom detection dataset. We then propose a pseudo-simulated annealing-based augmentation algorithm, inspired by the copy-paste strategy of Deng et al. [1], to synthesize realistic crowded fish scenarios. Our approach improves spatial diversity and object density during training, enabling better generalization to complex scenes. Experimental results show that our method significantly outperforms a baseline YOLOv10 model, particularly on a challenging test set of manually annotated images collected from live-stream footage in the Florida Keys. These results demonstrate the effectiveness of our augmentation strategy for improving detection performance in dense, real-world underwater environments.
• Abstract（参考訳）: 物体検出モデルは、安定な照明、水明度、視点を持つ制御された環境で撮影された画像に対してよく機能するが、その性能は、高い変動性と頻繁な閉塞を特徴とする現実世界の水中環境において著しく低下する。 本研究では,高密度・非拘束の水中シーンにおけるロバスト性向上を目的とした新しいデータ拡張フレームワークを導入することにより,これらの課題に対処する。 自然環境における魚の画像を含むDeepFishデータセットを使用して、提供されたセグメンテーションマスクからバウンディングボックスアノテーションを生成し、カスタム検出データセットを構築する。 そこで我々は,Deng et al [1] のコピー・ペースト・ストラテジーに触発された擬似アニーリングに基づく拡張アルゴリズムを提案し,現実的な密集した魚のシナリオを合成した。 本手法は,訓練中の空間の多様性と物体密度を向上し,複雑なシーンへの一般化を向上する。 実験の結果,フロリダキーズのライブストリーム映像から収集した手動アノテート画像の難易度テストセットにおいて,本手法はベースラインのYOLOv10モデルよりも有意に優れていた。 これらの結果は,密集した現実世界の水中環境における検出性能向上のための拡張戦略の有効性を示すものである。

関連論文リスト

• A Generative Data Framework with Authentic Supervision for Underwater Image Restoration and Enhancement [51.382274157144714]
  我々は、未ペア画像から画像への変換に基づく生成データフレームワークを開発する。 このフレームワークは、正確な地上構造ラベルを持つ合成データセットを構成する。 実験により、我々の合成データに基づいてトレーニングされたモデルが、既存のベンチマークでトレーニングされたモデルに匹敵する、あるいは優れた色復元と一般化性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-11-18T14:20:17Z)
• 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)
• APGNet: Adaptive Prior-Guided for Underwater Camouflaged Object Detection [22.097955383220143]
  本研究では,水中環境下でカモフラージュされた物体を検出するために,APGNet(Adaptive Prior-Guided Network)を提案する。 APGNetは、ロバスト性と検出精度を高めるために、シームズアーキテクチャと新しい事前誘導機構を統合する。 提案手法は,広く用いられている評価基準の下で,15の最先端手法より優れていた。
  論文  参考訳（メタデータ） (2025-10-14T01:51:44Z)
• Underwater Monocular Metric Depth Estimation: Real-World Benchmarks and Synthetic Fine-Tuning with Vision Foundation Models [0.0]
  実世界の水中データセットを用いたゼロショットおよび微調整単分子メートル法深度推定モデルのベンチマークを示す。 その結果,地上データ(実データや合成データ)に基づいて訓練した大規模モデルでは,水中での作業は不十分であることがわかった。 本研究では,水中における単分子距離深度推定の詳細な評価と可視化を行う。
  論文  参考訳（メタデータ） (2025-07-02T21:06:39Z)
• 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)
• Closer to Ground Truth: Realistic Shape and Appearance Labeled Data Generation for Unsupervised Underwater Image Segmentation [8.511846002129522]
  人間のアノテーションを必要としない2段階の非教師付きセグメンテーション手法を導入し、人工的に作成された実画像と実画像を組み合わせる。 本手法は,仮想魚を現実世界の水中環境に配置することにより,難易度の高い合成訓練データを生成する。 水中ビデオにおけるサーモンセグメンテーションの特定の事例にその効果を示し,本研究で最大のデータセットであるDeepSalmon(30GB)を紹介した。
  論文  参考訳（メタデータ） (2025-03-20T11:34:45Z)
• HazyDet: Open-Source Benchmark for Drone-View Object Detection with Depth-Cues in Hazy Scenes [54.24350833692194]
  HazyDetは、ヘイジーな環境でドローンビューオブジェクトを検出するために特別に設計された、最初の大規模ベンチマークである。 本稿では,迷路による視覚劣化に対処するため,Depth-Conditioned Detector (DeCoDet)を提案する。 HazyDetは、検出アルゴリズムを前進させるための挑戦的で現実的なテストベッドを提供する。
  論文  参考訳（メタデータ） (2024-09-30T00:11:40Z)
• FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
  無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。 我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。 本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-25T03:54:01Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Perceptual underwater image enhancement with deep learning and physical priors [35.37760003463292]
  本稿では,2つの知覚強調モデルを提案する。 トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。 実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-21T22:11:34Z)

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。