論文の概要: UAV-Based Environmental Monitoring of Rip-Current Indicators Using Wavelet-Derived Texture Features

• arxiv url: http://arxiv.org/abs/2608.02448v1
• Date: Mon, 03 Aug 2026 16:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.704874
• Title: UAV-Based Environmental Monitoring of Rip-Current Indicators Using Wavelet-Derived Texture Features
• Title（参考訳）: ウェーブレット展開型テクスチャ特徴を用いたリップ電流指標のUAVによる環境モニタリング
• Authors: Yonatan Ben Avraham, Baruch Binyaminov, Yehudit Aperstein,
• Abstract要約: リップ流は海岸で繰り返し発生する自然災害であり、ビーチ客を脅かす。 無人航空機(UAV)が取得した標準RGB画像からの信頼性の高い監視は依然として困難である。 本研究では、視覚的に表現されたリップ電流の指標を検出するための、物理的に情報を得た沿岸環境モニタリングワークフローを提案する。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rip currents are recurrent coastal natural hazards that threaten beachgoers and create operational challenges for lifeguards and coastal managers. Reliable monitoring from standard RGB (red-green-blue) imagery acquired by unmanned aerial vehicles (UAVs) remains difficult because hazardous channels often appear as subtle gaps in breaking waves, foam texture, or sediment patterns, and these signatures are affected by illumination, sea state, and environmental noise. This study presents a physically informed coastal environmental monitoring workflow for detecting visually expressed rip-current indicators that integrates wavelet-derived spatial-frequency texture features with deep learning. We evaluate multiple strategies for incorporating Discrete Wavelet Transform features into convolutional architectures, from computationally efficient channel replacement to dual-stream fusion with attention mechanisms. Performance is assessed against a standard RGB baseline using a task specific convolutional neural network for image-level presence classification and a YOLOv8 model for object-level localization. Under the evaluated dataset conditions, integrating wavelet derived texture features improves performance over RGB-only models. The dual-stream architecture achieves the strongest classification performance, exceeding 95% accuracy with high recall, while channel replacement is most effective for YOLOv8 object detection, reaching 94% mAP@50 for localization. Explainable artificial intelligence analyses provide qualitative evidence that the models attend to visually plausible wave-gap regions associated with rip currents. These results suggest that under the conditions of the evaluated dataset, physically informed wavelet integration may support UAV-based decision-support tools for interpretable beach-safety risk mitigation.
• Abstract（参考訳）: リップ流は海岸の自然災害を繰り返すものであり、ビーチ客を脅かし、ライフガードや沿岸管理者にとって運用上の課題を生み出している。 無人航空機(UAV)が取得した標準RGB(赤緑色)画像からの信頼性の高い監視は、破壊波、発泡テクスチャ、堆積物パターンの微妙な隙間としてしばしば現れるため、依然として困難であり、これらのシグネチャは照明、海状態、環境騒音の影響を受けている。 本研究では,ウェーブレット由来の空間周波数テクスチャの特徴を深層学習と統合した視覚的に表現されたリップ電流インジケータを検出するための,物理的に情報を得た沿岸環境モニタリングワークフローを提案する。 本稿では,離散ウェーブレット変換機能を畳み込みアーキテクチャに組み込むための複数の戦略を評価する。 画像レベルの存在分類のためのタスク固有畳み込みニューラルネットワークと、オブジェクトレベルのローカライゼーションのためのYOLOv8モデルを用いて、標準RGBベースラインに対して性能を評価する。 評価されたデータセット条件下では、ウェーブレットから派生したテクスチャ機能を統合することで、RGBのみのモデルよりもパフォーマンスが向上する。 デュアルストリームアーキテクチャは、95%以上の精度で高いリコールを達成し、チャネル置換はYOLOv8オブジェクト検出に最も有効であり、ローカライズには94% mAP@50に達する。 説明可能な人工知能分析は、モデルがリップ電流に関連する視覚的に可視なウェーブギャップ領域に参加するという定性的な証拠を提供する。 これらの結果は、評価データセットの条件下では、物理的に情報を得たウェーブレット統合は、海浜安全リスク軽減を解釈するためのUAVベースの意思決定支援ツールをサポートする可能性があることを示唆している。

関連論文リスト

• Rethinking Conditional Generation for Underwater Salient Object Detection [69.38806804258452]
  コンディショナル・ジェネレーション・ネットワーク(DCGNet)は、水中のサリエンシ生成のための信頼性の高いコンディショナル・特徴を構築するために設計されている。 DCGNetは既存の最先端手法を著しく上回り、複雑な水中視覚応用の可能性を検証している。
  論文  参考訳（メタデータ） (2026-07-02T07:48:06Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• Landsat-Sentinel-2 Algal Bloom Mapping Using Vision Transformers: Model Description, Implementation, and Examples [0.0]
  沿岸藻類の開花モニタリングには、ランドサット8/9とセンチネル2A/B/Cによって頻繁に、空間的詳細で、一貫した観測が必要である。 水生環境における彼らの使用は、スペクトル範囲が限られており、調和した反射率生成物が不足しているため、依然として困難である。 本研究では,30mLandsat-Sentinel-2画像を用いた視覚変換器を用いた沿岸藻類開花図の初成功例を示す。
  論文  参考訳（メタデータ） (2026-06-15T19:40:18Z)
• FLORO: A Multimodal Geospatial Foundation Model for Ecological Remote Sensing Across Sensors and Scales [65.4821703903285]
  FLOROは、小さなが高度に多様なリモートセンシングコーパスから転送可能な表現を学習するために設計されたマルチモーダル基礎モデルである。 FLOROは、Sentinel-1、Sentinel-2、SkySAT画像、標高、UAV由来のデータとの不均一な組み合わせによるマスク付きオートエンコーディングを用いて事前訓練される。 我々は、シーン分類、セグメンテーション、回帰タスクにまたがる凍結エンコーダプロトコルを用いて、PANGAEAベンチマーク上でFLOROを評価した。
  論文  参考訳（メタデータ） (2026-05-27T08:55:54Z)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• Explainable Transformer-CNN Fusion for Noise-Robust Speech Emotion Recognition [2.0391237204597363]
  音声感情認識システムは、予測不能な音響干渉にさらされると、しばしば性能が低下する。 本稿では,Wav2Vec 2.0のコンテキストモデリングと1次元畳み込みニューラルネットワークのスペクトル安定性を融合したHybrid Transformer-CNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-20T10:05:58Z)
• Improving Underwater Acoustic Classification Through Learnable Gabor Filter Convolution and Attention Mechanisms [1.1024591739346294]
  本稿では,学習可能なGabor畳み込み層とResNeXtのバックボーンを統合したディープラーニングアーキテクチャであるGSE ResNeXtを紹介する。 モデルは複雑さを増大させる3つの分類課題に基づいて評価される。 その結果、GSE ResNeXtはXception、ResNet、MobileNetV2といったベースラインモデルより一貫して優れています。
  論文  参考訳（メタデータ） (2025-12-09T02:39:47Z)
• YOLO-Based Pipeline Monitoring in Challenging Visual Environments [0.0]
  低視認性水中環境における海底パイプラインの状況監視は、濁度、光歪み、画像劣化などによる大きな課題を生んでいる。 従来の視覚ベースの検査システムは、そのような状況下でのマッピング、オブジェクト認識、欠陥検出のための信頼性の高いデータの提供に失敗することが多い。 本研究では、画像品質の向上、パイプライン構造の検出、自律的故障診断支援のための高度な人工知能(AI)技術の統合について検討する。
  論文  参考訳（メタデータ） (2025-06-30T14:47:30Z)
• Reservoir-enhanced Segment Anything Model for Subsurface Diagnosis [24.223897705640105]
  都市部の道路やインフラは、市の運営に欠かせないものであり、ひび割れやキャビティのような地下の異常から増大する脅威に直面している。 地中貫入レーダ(GPR)は、電磁波(EM)を用いた地下条件を効果的に可視化する。 しかし、GPRによる正確な異常検出は、限られたラベル付きデータ、異なる地下条件、不特定ターゲット境界により、依然として困難である。 本稿では,GPRデータの視覚的識別性と波動変化特性を両立させるため,Reservoir-enhanced Segment Anything Model (Res-SAM)を提案する。
  論文  参考訳（メタデータ） (2025-04-26T05:13:22Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)

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。