論文の概要: SCTD 3.0: Sonar Common Target Detection in the Wild - A Large-Scale, Multi-Scene Dataset from Real Marine Surveys
- arxiv url: http://arxiv.org/abs/2608.08106v1
- Date: Sat, 08 Aug 2026 12:39:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.670186
- Title: SCTD 3.0: Sonar Common Target Detection in the Wild - A Large-Scale, Multi-Scene Dataset from Real Marine Surveys
- Title（参考訳）: SCTD 3.0: 野生におけるソナー・コモン・ターゲット検出 - 実海調査による大規模マルチシーンデータセット-
- Abstract要約: SCTD 3.0は、野生のソナー・コモン・ターゲット・イン・ザ・ワイルド(Sonar Common Target Detection in the Wild)のための大規模な実測データセットである。
マルチ周波数システムからの1万以上の高品質のSAS画像スニペットを含んでいる。
オープンウォーター環境における水中目標認識の堅牢化のための重要なデータ基盤を提供することが期待されている。
- 参考スコア（独自算出の注目度）: 3.272585676511349
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthetic Aperture Sonar (SAS) is core for wide-area detection of small underwater targets. However, large-scale, high-quality SAS datasets are scarce, hindering data-driven recognition. Existing benchmarks are small and limited to single scenarios, failing to reproduce complex acoustic scattering, diverse seabeds, and multi-pose imaging in real detection. To fill this gap, we introduce SCTD 3.0 - a large-scale real-measured dataset for Sonar Common Target Detection in the Wild in natural waters. It contains over 10,000 high-quality real SAS image snippets from multi-frequency systems (240 kHz, 450 kHz, and others), covering ten typical target categories across varied seabed geomorphologies, with multiple observation angles, detection ranges, and frequency bands. We establish a rigorous hierarchical annotation protocol that decouples labeling of intrinsic physical properties, deployment characteristics, and scattering phenomena - covering material, geometry, internal structure, burial state, shadow integrity, specular highlights, edge diffraction, and resonance effects. This enables fine-grained target characterization. We also construct a multi-task benchmark for object detection, fine-grained classification, and attribute prediction, evaluating mainstream deep learning models under cross-domain, cross-scene, cross-frequency, and cross-view generalization. SCTD 3.0 is expected to provide a critical data cornerstone for robust underwater target perception in open-water environments. SCTD 3.0 is available at https://github.com/automlresearch/SCTD-3.0.
- Abstract（参考訳）: 合成開口ソナー(SAS)は、小型水中ターゲットの広域検出のためのコアである。
しかし、大規模で高品質なSASデータセットは乏しく、データ駆動認識を妨げる。
既存のベンチマークは小さく、単一のシナリオに限られており、複雑な音響散乱、多様な海底、実検出における多目的イメージングの再現に失敗している。
このギャップを埋めるために、自然水中の野生におけるソナー・コモン・ターゲット検出のための大規模実測データセットであるSCTD 3.0を紹介する。
マルチ周波数システム(240kHz、450kHzなど)の1万以上の高品質のSAS画像スニペットを含み、様々な海底地形、複数の観測角度、検出範囲、周波数帯域を含む10の典型的なターゲットカテゴリをカバーしている。
固有物性, 展開特性, 散乱現象(被覆材料, 幾何学, 内部構造, 埋葬状態, 影の完全性, スペックルハイライト, エッジ回折, 共鳴効果)のラベル付けを分離する厳密な階層的アノテーションプロトコルを構築した。
これにより、微粒なターゲットキャラクタリゼーションが可能になる。
また、オブジェクト検出、きめ細かい分類、属性予測のためのマルチタスクベンチマークを構築し、クロスドメイン、クロスシーン、クロス周波数、クロスビューの一般化の下で主流のディープラーニングモデルを評価する。
SCTD 3.0は、オープンウォーター環境における堅牢な水中目標認識のための重要なデータ基盤を提供すると期待されている。
SCTD 3.0はhttps://github.com/automlresearch/SCTD-3.0で入手できる。
関連論文リスト
- OSSDD - a New Open Dataset for Sentinel-1 Ship Detection [2.6346032678787807]
OpenSARShip-Ship Detection dataset (OSSDD)は、よく知られたOpenSARShip 1.0データセットに基づいた新しいデータセットである。
15,197個のセンチネル-1振幅パッチ、VVとVHの偏光、二段式の船面、軸方向のバウンディングボックス、合計55,759隻のバウンディングボックスアノテーションを含んでいる。
データセットの構築,ダウンロード可能なデータの内容と構造,および3つの共通検出器モデルを用いた実験について論じる。
論文 参考訳（メタデータ） (2026-08-03T09:31:49Z) - WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。
CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。
Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
論文 参考訳（メタデータ） (2026-04-09T03:28:05Z) - NASTaR: NovaSAR Automated Ship Target Recognition Dataset [1.8957631297817699]
このデータセットは、NovaSAR Sバンド画像から抽出された3415個の船のパッチからなる。
23のユニークなクラス、海岸/オフショアの分離、および船のウェイクが見えるパッチのための補助的なウェイクデータセットなどが含まれる。
ベンチマーク深層学習モデルを用いて,船型分類シナリオにおけるデータセットの適用性を検証した。
論文 参考訳（メタデータ） (2025-12-20T20:42:30Z) - Multistream Network for LiDAR and Camera-based 3D Object Detection in Outdoor Scenes [59.78696921486972]
LiDARとRGBデータの融合により、屋外の3Dオブジェクト検出精度が向上する可能性がある。
両データモダリティからタスク関連情報を的確に抽出するMultiStream Detection (MuStD) ネットワークを提案する。
論文 参考訳（メタデータ） (2025-07-25T14:20:16Z) - What Matters in Range View 3D Object Detection [15.147558647138629]
ライダーベースの知覚パイプラインは複雑なシーンを解釈するために3Dオブジェクト検出モデルに依存している。
過去のレンジビュー文献に提案されている複数の手法を使わずに、レンジビュー3次元オブジェクト検出モデル間の最先端を実現する。
論文 参考訳（メタデータ） (2024-07-23T18:42:37Z) - 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) - Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。
ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。
提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
論文 参考訳（メタデータ） (2023-08-17T11:30:46Z) - 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) - 3D Cascade RCNN: High Quality Object Detection in Point Clouds [122.42455210196262]
本稿では3次元カスケードRCNNを提案する。これはカスケードパラダイムにおいて、酸化点雲に基づいて複数の検出器を割り当てる。
提案する3次元カスケードRCNNは,最先端の3次元物体検出技術と比較した場合の優位性を検証した。
論文 参考訳（メタデータ） (2022-11-15T15:58:36Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z)
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。