論文の概要: Sparse Point-Guided Fusion of Supervised and Self-Supervised Learning Model for Seaweed Segmentation

• arxiv url: http://arxiv.org/abs/2606.21026v1
• Date: Fri, 19 Jun 2026 01:28:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 11:26:22.304768
• Title: Sparse Point-Guided Fusion of Supervised and Self-Supervised Learning Model for Seaweed Segmentation
• Title（参考訳）: Sparse Point-Guided Fusion of Supervised and Self-Supervised Learning Model for Seaweed Segmentation
• Authors: Tatsuya Suzuki, Kazuya Ijuin, Hideki Tomimori, Megumi Chikano, Katsushi Sakai,
• Abstract要約: 青い炭素生態系は重要な天然炭素シンクとして認識されている。 本論文では,Ocean Digital Twinイニシアチブにおけるブルーカーボン定量の正確な海藻分類について述べる。 本稿では,新しい二段階海藻セグメンテーション手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9823973011876452
• License:
• Abstract: The ocean plays a critical role in sustainable development, particularly in climate change mitigation. Among marine ecosystems, blue carbon ecosystems are recognized as important natural carbon sinks. In this context, this paper addresses precise seaweed classification for blue carbon quantification in Ocean Digital Twin initiatives. Conventional methods, including supervised learning (limited by data scarcity and domain gaps) and self-supervised learning (unable to assign class labels), struggle with underwater complexities and diverse seaweed species. To overcome this, we propose a novel two-stage seaweed segmentation technique. This technique first utilizes Supervised and Self-supervised Learning Model Propagation (SSL.Prop.), which leverages supervised learning for initial class information and approximate locations, guiding self-supervised learning for detailed, accurate segmentation. Subsequently, MaskFusion (MF) refines these results by merging instance-level masks for highly accurate segmentation. This integrated approach allows automatic class label assignment and mitigates domain gap effects. Specifically, instance segmentation estimates sparse point locations which then guide self-supervised learning for detailed region segmentation. Evaluated with underwater images from Yamaguchi Prefecture, our full proposed method (SSL.Prop.+MF) achieved a 0.068 mIoU improvement over USIS-SAM, demonstrating significant accuracy gains, particularly for small seaweed. This approach demonstrates strong potential for improving blue carbon quantification and marine ecosystem monitoring.
• Abstract（参考訳）: 海洋は持続可能な開発、特に気候変動の緩和に重要な役割を果たしている。 海洋生態系の中で、青い炭素生態系は重要な天然炭素シンクとして認識されている。 そこで本研究では,Ocean Digital Twinイニシアチブにおけるブルーカーボン定量化の正確な海藻分類について述べる。 教師付き学習(データ不足とドメインギャップによって制限される)や自己監督型学習(クラスラベルを割り当てることができない)、水中の複雑さと多様な海藻種との闘いなど、従来の方法である。 そこで本研究では,新しい二段階海藻セグメンテーション手法を提案する。 この手法はまず、教師付き学習を初期クラス情報や近似位置に活用し、教師付き学習を詳細かつ正確なセグメンテーションに導くSSL(Supervised and Self-supervised Learning Model Propagation)を利用する。 その後、MaskFusion (MF) は、高精度なセグメンテーションのためにインスタンスレベルのマスクをマージすることで、これらの結果を洗練する。 この統合アプローチは、自動クラスラベル割り当てとドメインギャップ効果の緩和を可能にする。 具体的には、インスタンスセグメンテーションはスパースポイントの位置を推定し、詳細な領域セグメンテーションのために自己教師付き学習を誘導する。 山口県の水中画像から,USIS-SAMよりも0.068mIoUの精度向上を実現し,特に小型海藻において有意な精度向上を示した。 このアプローチは、ブルーカーボンの定量化と海洋生態系モニタリングを改善する強力な可能性を示している。

関連論文リスト

• OceanPile: A Large-Scale Multimodal Ocean Corpus for Foundation Models [57.19693589926157]
  OceanPileは、海洋基盤モデル用に設計された大規模マルチモーダルコーパスである。 OceanCorpus、OceanInstruction、OceanBenchmarkの3つの重要なコンポーネントで構成されている。 すべてのデータセットは、海洋人工知能の分野を前進させるために公開されている。
  論文  参考訳（メタデータ） (2026-04-25T14:53:37Z)
• Exploring the Underwater World Segmentation without Extra Training [55.291219073365546]
  我々は,最初の大規模かつ微細な水中セグメンテーションデータセットである textbfAquaOV255 を紹介する。 トレーニング不要なOVセグメンテーションフレームワークである textbfEarth2Ocean も紹介する。
  論文  参考訳（メタデータ） (2025-11-11T07:22:56Z)
• 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)
• The point is the mask: scaling coral reef segmentation with weak supervision [1.4286124121075066]
  ドローンによる空中画像は広い空間範囲を提供するが、その解像度の制限により、サンゴ型のような微細なクラスを確実に区別することは困難である。 本研究では,水中画像から航空データへ微細な生態情報を転送することで,この課題に対処する,マルチスケールの弱教師付きセマンティックセマンティックセマンティックセマンティクスフレームワークを提案する。 本研究では,低コストデータ収集,弱教師付き深層学習,マルチスケールリモートセンシングを組み合わせた高解像度リーフモニタリングのためのスケーラブルで費用対効果の高い手法を提案する。
  論文  参考訳（メタデータ） (2025-08-26T11:58:50Z)
• Unveiling 3D Ocean Biogeochemical Provinces in the North Atlantic: A Systematic Comparison and Validation of Clustering Methods [1.2932412290302258]
  Aimは、クラスタリング手法の体系的な比較を通じて、北大西洋の地域を客観的に定義することを目的としていた。 塩分濃度, 温度, 酸素, 硝酸塩, リン酸塩, ケイ酸塩の濃度を入力として測定した。 その結果,UMAP-DBSCANはデータとして最適であることが判明した。
  論文  参考訳（メタデータ） (2025-04-25T08:55:40Z)
• Multi-label classification for multi-temporal, multi-spatial coral reef condition monitoring using vision foundation model with adapter learning [20.74182654369854]
  本研究は,DINOv2ビジョン基礎モデルとLoRAファインチューニング手法を組み合わせたアプローチを提案する。 実験の結果, DINOv2-LoRAモデルの方が64.77%の精度で, 従来のモデルでは60.34%であったのに対し, 一致率は64.77%であった。
  論文  参考訳（メタデータ） (2025-03-29T08:32:44Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• SeagrassFinder: Deep Learning for Eelgrass Detection and Coverage Estimation in the Wild [1.0617118349563253]
  海草の草原は海洋生態系において重要な役割を担い、炭素の隔離、水質改善、生息地確保などの利益を提供している。 海底映像データを解析して海草被覆度を評価する現在の手作業は、時間と主観的である。 本研究では,海底ビデオデータから海草の検出とカバレッジ推定のプロセスを自動化するためのディープラーニングモデルについて検討する。
  論文  参考訳（メタデータ） (2024-12-20T18:50:54Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)

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。