論文の概要: CANSURF: An ASV-View Can Dataset and Benchmark for Detection and Tracking of Surface-Level Debris

• arxiv url: http://arxiv.org/abs/2605.16774v1
• Date: Sat, 16 May 2026 02:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.015324
• Title: CANSURF: An ASV-View Can Dataset and Benchmark for Detection and Tracking of Surface-Level Debris
• Title（参考訳）: CANSURF: ASV-View Can Dataset and Benchmark for Detection and Tracking of Surface-Level Debris
• Authors: Zaid Aljundi, Zahra F. Rahmatullah, Mostafa Elemam, Abdullah Moosa,
• Abstract要約: 本稿では,ASVビジョンシステムと新しいサーフェス・キャン・データセットを提案する。 データセットは、ビデオから抽出され、バウンディングボックスで注釈付けされた7.3kの原画像からなり、10種類の拡張型を介して、多様な照明と水の状態にまたがる57kのトレーニング/検証画像に拡張される。 CANSURFでYOLOv11をトレーニングすることで、ジェネリックデータセットの12倍のパフォーマンスが向上し、データセットの価値が強調される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surface-level marine debris remains a practical bottleneck for autonomous clean-up, where small, reflective targets (e.g., aluminum cans) must be detected at distance under glare, ripples, and partial submersion. This paper presents, an ASV vision system and a new surface-can dataset. The dataset comprises ~7.3k raw images extracted from videos and annotated with bounding boxes, expanded via ten augmentation types to ~57k training/validation images spanning diverse lighting and water states. A family of detector and detector-tracker pipelines tailored to surface operations were benchmarked. Training YOLOv11 on CANSURF boosts performance 12x over generic datasets, highlighting the dataset's value. Experiments show that YOLOv11+ByteTrack yields the most stable tracks (fewer identity switches) and stronger multi-object accuracy under, while YOLOv11+SAHI increases recall on far-field cans at the cost of lower precision in full-context inputs. Given the mission profile, single-can pickup with approach and grab, YOLOv11 + SAHI proves better for detecting the maximum number of cans. No prior open dataset targets aluminum cans on water from a surface-level viewpoint; this dataset fills this gap and supports reproducible evaluation.
• Abstract（参考訳）: 表面レベルの海洋破片は、小さな反射目標(例えばアルミニウム缶)が、グラア、リップル、部分沈み込みの下で遠くで検出されなければならない、自律的なクリーンアップの現実的なボトルネックとして残っている。 本稿では,ASVビジョンシステムと新しいサーフェス・キャン・データセットを提案する。 データセットは、ビデオから抽出され、バウンディングボックスで注釈付けされた約7.3kの原画像からなり、10種類の拡張型を介して、多様な照明と水の状態にまたがる約57kのトレーニング/検証画像に拡張された。 表面操作に適した検出器と検出器・トラッカー・パイプラインのファミリーがベンチマークされた。 CANSURFでYOLOv11をトレーニングすることで、ジェネリックデータセットの12倍のパフォーマンスが向上し、データセットの価値が強調される。 実験により、YOLOv11+ByteTrackは、より安定したトラック(アイデンティティスイッチが少ない)とより強力なマルチオブジェクトの精度を得る一方、YOLOv11+SAHIは、フルコンテキスト入力において、より少ない精度で遠距離の缶のリコールを増大させることが示された。 ミッションプロファイル、アプローチとグラブによるシングル缶ピックアップ、YOLOv11 + SAHIは、缶の最大数を検出するのに優れている。 このデータセットはこのギャップを埋め、再現可能な評価をサポートする。

関連論文リスト

• Event-based Tiny Object Detection: A Benchmark Dataset and Baseline [37.60578568397082]
  アンチUAVタスクにおける小さな物体検出(SOD)は、UAVの小さいサイズと複雑な背景のために難しい問題である。 イベントカメラは、マイクロ秒の時間分解能と高いダイナミックレンジを持ち、より効果的なSODソリューションを提供する。 既存のイベントベースのオブジェクト検出データセットは、スケールが制限され、大きなターゲットサイズが特徴であり、バックグラウンドの多様性が欠如しているため、SODベンチマークには適さない。 本稿では,イベントベーススモールオブジェクト検出(EVSOD)データセット(EV-UAV)を紹介する。
  論文  参考訳（メタデータ） (2025-06-30T07:28:50Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• EvLight++: Low-Light Video Enhancement with an Event Camera: A Large-Scale Real-World Dataset, Novel Method, and More [7.974102031202597]
  EvLight++は、現実のシナリオで堅牢なパフォーマンスのために設計された、イベント誘導型低照度ビデオ拡張アプローチである。 EvLight++は1.37dBと3.71dBの2つのイメージベースとビデオベースの両方で大幅に性能が向上した。
  論文  参考訳（メタデータ） (2024-08-29T04:30:31Z)
• 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)
• UAVD4L: A Large-Scale Dataset for UAV 6-DoF Localization [14.87295056434887]
  局所化のための大規模6-DoF UAVデータセット(UAVD4L)を提案する。 オフライン合成データ生成とオンラインビジュアルローカライゼーションからなる2段階6-DoFローカライゼーションパイプライン(UAVLoc)を開発した。 新しいデータセットの結果は,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-01-11T15:19:21Z)
• A Dataset with Multibeam Forward-Looking Sonar for Underwater Object Detection [0.0]
  マルチビーム前方ソナー (MFLS) は水中検出において重要な役割を担っている。 MFLSを用いた水中物体検出の研究にはいくつかの課題がある。 本稿では,Tritech Gemini 1200ikソナーを用いて,9000枚以上のMFLS画像からなる新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2022-12-01T08:26:03Z)
• Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
  本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。 本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。 さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
  論文  参考訳（メタデータ） (2022-04-08T15:22:33Z)
• Omnidata: A Scalable Pipeline for Making Multi-Task Mid-Level Vision Datasets from 3D Scans [103.92680099373567]
  本稿では,実世界の包括的3Dスキャンからマルチタスク視覚データセットをパラメトリックサンプリングし,レンダリングするパイプラインを提案する。 サンプリングパラメータを変更することで、生成されたデータセットを“ステア”して、特定の情報を強調することが可能になる。 生成されたスタータデータセットでトレーニングされた共通アーキテクチャは、複数の共通ビジョンタスクとベンチマークで最先端のパフォーマンスに達した。
  論文  参考訳（メタデータ） (2021-10-11T04:21:46Z)

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。