論文の概要: Why Domain Matters: Domain-Aware Benchmarking of Underwater Object Detection and Annotation Quality
- arxiv url: http://arxiv.org/abs/2607.10575v1
- Date: Sun, 12 Jul 2026 05:11:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.47159
- Title: Why Domain Matters: Domain-Aware Benchmarking of Underwater Object Detection and Annotation Quality
- Title（参考訳）: ドメインが重要な理由:水中物体検出とアノテーション品質のドメイン認識ベンチマーク
- Abstract要約: 本研究では,水中画像の外観,シーン構成,取得形状を特徴付けるフレームワークを導入し,ドメインラベルを割り当てる。
本研究では,水中物体検出データセットと深層学習に基づく検出性能の双方において,ドメイン要因が人間のアノテーション品質に与える影響について,最初の系統的研究を行った。
データ収集とアノテーションのガイド、より情報的なベンチマークの設計、さまざまな水中環境における検出ロバスト性の評価にどのように使用できるかを強調します。
- 参考スコア（独自算出の注目度）: 9.468095570700642
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater object detection is strongly affected by domain shift, where performance can vary significantly across different locations, habitats, and deployment conditions. However, detector performance is typically evaluated using aggregate metrics that hide failures in specific environments, while existing domain generalization benchmarks often rely on synthetic variations that do not reflect real-world conditions. We introduce a framework that characterizes underwater images by appearance, scene composition, and acquisition geometry to assign domain labels. Using this framework, we perform the first systematic study of how domain factors influence both human annotation quality in underwater object detection datasets and deep learning-based detector performance, revealing substantial domain-dependent discrepancies. By incorporating physically meaningful domain labels, domain shift becomes something we can characterize, measure, benchmark, and act on. We highlight how this can be used to guide data collection and annotation, design more informative benchmarks, and assess detector robustness across diverse underwater environments.
- Abstract（参考訳）: 水中物体の検出は、異なる場所、生息地、配置条件でパフォーマンスが著しく変化する領域シフトの影響を強く受けている。
しかし、検出器の性能は一般に特定の環境における障害を隠蔽する集計指標を用いて評価されるのに対し、既存の領域一般化ベンチマークは実環境を反映しない合成変量に依存することが多い。
本研究では,水中画像の外観,シーン構成,取得形状を特徴付けるフレームワークを導入し,ドメインラベルを割り当てる。
この枠組みを用いて,水中オブジェクト検出データセットのアノテーション品質と深層学習に基づく検出性能の両方にドメイン要因が与える影響を初めて系統的に研究し,ドメイン依存の相違を明らかにした。
物理的に意味のあるドメインラベルを組み込むことで、ドメインシフトを特徴付け、測定し、ベンチマークし、実行することが可能になります。
データ収集とアノテーションのガイド、より情報的なベンチマークの設計、さまざまな水中環境における検出ロバスト性の評価にどのように使用できるかを強調します。
関連論文リスト
- Why Domain Matters: A Preliminary Study of Domain Effects in Underwater Object Detection [9.468095570700642]
本研究では,計測可能な画像,シーン,取得特性を用いて水中ドメインを定義するラベリングフレームワークを提案する。
以前のベンチマークとは異なり、物理的に意味のある要素をキャプチャし、セマンティックに一貫性のある画像グループ化を可能にし、障害解析を含むドメイン固有の検出性能の評価をサポートする。
論文 参考訳（メタデータ） (2026-04-28T23:28:14Z) - Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-29T17:59:45Z) - Domain Similarity-Perceived Label Assignment for Domain Generalized
Underwater Object Detection [18.39732229138302]
本稿ではドメイン類似性-知覚ラベル割り当て(DSP)の概念を紹介する。
ドメイン固有のデータ拡張技術により、水中クロスドメインオブジェクト検出ベンチマークS-UODAC 2020で最先端の結果を得た。
論文 参考訳（メタデータ） (2023-12-20T05:45:56Z) - ADOD: Adaptive Domain-Aware Object Detection with Residual Attention for
Underwater Environments [1.2624532490634643]
本研究では,水中物体検出における領域一般化のための新しいアプローチであるADODを提案する。
本手法は, 様々な水中環境下での堅牢性を確保するため, 多様な領域にまたがってモデルを一般化する能力を高める。
論文 参考訳（メタデータ） (2023-12-11T19:20:56Z) - ATTA: Anomaly-aware Test-Time Adaptation for Out-of-Distribution
Detection in Segmentation [22.084967085509387]
ドメインシフトとセマンティックシフトを協調的に扱うための二重レベルOOD検出フレームワークを提案する。
第1のレベルは、グローバルな低レベル機能を活用することで、画像内にドメインシフトが存在するかどうかを区別する。
第2のレベルは、高次特徴写像を高密度に利用することにより、セマンティックシフトを伴う画素を識別する。
論文 参考訳（メタデータ） (2023-09-12T06:49:56Z) - Towards Generalization on Real Domain for Single Image Dehazing via
Meta-Learning [41.99615673136883]
合成画像から得られた内部情報は、通常、実際の領域では準最適である。
本稿では,メタラーニングに基づくドメイン一般化フレームワークを提案する。
提案手法は,最先端の競争相手よりも優れた一般化能力を有する。
論文 参考訳（メタデータ） (2022-11-14T07:04:00Z) - Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。
第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。
第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
論文 参考訳（メタデータ） (2021-08-22T06:38:19Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Multi-Target Domain Adaptation via Unsupervised Domain Classification
for Weather Invariant Object Detection [1.773576418078547]
トレーニング画像の天候がテスト画像と異なる場合、オブジェクト検出器の性能は著しく低下する。
マルチターゲットドメインへの単一ターゲットドメイン適応手法の一般化に使用できる新しい教師なしドメイン分類法を提案する。
本研究では,Cityscapesデータセットとその合成変種について実験を行った。
霧、雨、夜。
論文 参考訳（メタデータ） (2021-03-25T16:59:35Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳（メタデータ） (2020-10-19T04:25:10Z) - Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。
視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。
第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文 参考訳（メタデータ） (2020-04-10T06:58:03Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z)
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。