論文の概要: A Multi-Annotator Study of Segmentation Noise and Uncertainty in Turbid Underwater Images

• arxiv url: http://arxiv.org/abs/2608.15363v1
• Date: Sat, 15 Aug 2026 18:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.2772
• Title: A Multi-Annotator Study of Segmentation Noise and Uncertainty in Turbid Underwater Images
• Title（参考訳）: 濁水中画像におけるセグメンテーションノイズと不確かさのマルチアノテータによる検討
• Abstract要約: 実際の水中シーンにおけるセグメンテーションのシステマティックマルチアノテーションによる研究について紹介する。 水中データセットは、他の視覚タスクと同様のアノテーション課題に直面している。 濁った水中環境におけるアノテーションの質を改善する方法について検討する。
• 参考スコア（独自算出の注目度）: 5.786013556804503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Label uncertainty and annotator disagreement are common challenges in the field of computer vision, yet their study has largely been confined to the medical domain or to generic image-recognition datasets. Underwater datasets are particularly susceptible to these issues due to the need for domain expertise, degraded visibility conditions, and the inherent difficulty of establishing reliable ground truth in inaccessible environments. Despite these challenges, annotation uncertainty in underwater imagery remains largely unexplored. In this work, we present the first systematic multi-annotator study of segmentation in real underwater scenes, with over 100 participants, and across varying, controlled levels of turbidity. We show that underwater datasets face many of the same annotation challenges as other vision tasks, while turbidity introduces additional systematic errors. We further investigate the main factors driving label noise and explore ways to improve annotation quality in turbid underwater environments, including privileged information, individual effort and annotator ensembles. All (meta-) data collected in this study will be available on the project page: https://vap.aau.dk/tubcertainty
• Abstract（参考訳）: ラベルの不確かさと注釈の不一致はコンピュータビジョンの分野で一般的な課題であるが、その研究は医学領域や一般的な画像認識データセットに限られている。 水中データセットは、ドメインの専門知識、劣化した可視性条件、そしてアクセス不能な環境で信頼できる地上の真実を確立するのが本質的に困難であるため、これらの問題に特に影響を受けやすい。 これらの課題にもかかわらず、水中画像のアノテーションの不確実性はほとんど未発見のままである。 本研究は,100人以上の参加者が参加する実水中シーンにおけるセグメンテーションのシステマティック・マルチアノテータによる研究である。 水中データセットは、他の視覚課題と同じような多くのアノテーション課題に直面しているのに対し、濁度は追加の体系的誤りをもたらす。 さらに、ラベルノイズを駆動する主な要因について検討し、特権情報、個人の努力、アノテーションアンサンブルを含む、濁った水中環境におけるアノテーション品質を改善する方法を探る。 この研究で収集されたすべての(meta-)データは、プロジェクトページで確認できる。

関連論文リスト

• NAUTILUS: A Large Multimodal Model for Underwater Scene Understanding [60.76337064425815]
  本研究では,水中の自動探査を目的とした水中シーン理解手法について検討する。 NautDataは、8つの水中シーン理解タスクをサポートする1.45Mイメージテキストペアを含むデータセットである。 本稿では,透明な水中情報を明示的に復元するVFEモジュールを提案する。
  論文  参考訳（メタデータ） (2025-10-31T14:00:35Z)
• UWBench: A Comprehensive Vision-Language Benchmark for Underwater Understanding [54.16709436340606]
  視覚言語モデル(VLM)は自然界の理解において顕著な成功を収めた。 水中画像は、厳しい光の減衰、色歪み、懸濁粒子散乱などの固有の課題を呈している。 水中視覚言語理解のためのベンチマークであるUWBenchを紹介する。
  論文  参考訳（メタデータ） (2025-10-21T03:32:15Z)
• 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)
• Optical Ocean Recipes: Creating Realistic Datasets to Facilitate Underwater Vision Research [0.0]
  制御された水中条件下で現実的なデータセットを作成するためのフレームワークを提案する。 合成水やオープンウォーターとは異なり、これらのレシピは、キャリブレーションされた色と散乱添加剤を使用して、水組成が画像の外観に与える影響の反復的および制御的なテストを可能にする。 制御された環境は、水パラメータ推定、画像復元、セグメンテーション、視覚SLAM、水中画像合成など、様々な視覚タスクのための地中構造データの作成を可能にする。
  論文  参考訳（メタデータ） (2025-09-24T14:36:35Z)
• DEEP-SEA: Deep-Learning Enhancement for Environmental Perception in Submerged Aquatics [5.543187582839764]
  継続的で信頼性の高い水中モニタリングは、海洋生物多様性の評価、生態学的変化の検出、自律探査に不可欠である。 水中環境は、光散乱、吸収、濁度により、画像の明瞭度を低下させ、色情報を歪ませることによる重要な課題を呈している。 空間構造を保存しながら低周波情報と高周波情報を両立させる深層学習に基づく水中画像復元モデルDEEP-SEAを提案する。
  論文  参考訳（メタデータ） (2025-08-18T11:07:26Z)
• Learning Underwater Active Perception in Simulation [51.205673783866146]
  タービディティは、検査された構造物の正確な視覚的記録を阻止する可能性があるため、ミッション全体を危険に晒す可能性がある。 従来の研究は、濁度や後方散乱に適応する手法を導入してきた。 本研究では, 広範囲の水環境下での高品質な画像取得を実現するための, 単純かつ効率的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-23T06:48:38Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• 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)
• Reducing Label Dependency for Underwater Scene Understanding: A Survey of Datasets, Techniques and Applications [3.4210271593052606]
  調査は、人間の専門家の入力への依存を減らすアプローチに焦点を当てている。 弱く自己監督的な深層学習の背景を提供し、これらの要素を水中モニタリング、コンピュータビジョン、深層学習の交差点を中心とする分類学に統合する。
  論文  参考訳（メタデータ） (2024-11-18T05:16:09Z)
• Survey of Automatic Plankton Image Recognition: Challenges, Existing Solutions and Future Perspectives [0.17976232077413598]
  プランクトン生物は水生生態系の重要な要素であり、環境の変化に迅速に反応する。 現代のプランクトンイメージング装置は、高頻度でサンプリングするために利用することができ、プランクトン集団を研究する新しい可能性を可能にしている。 しかし、データの手動分析はコストがかかり、時間がかかり、専門家がベースとなっているため、大規模なアプリケーションには適さない。 大量の研究が行われたにも拘わらず、自動的な手法は運用に広く採用されていない。
  論文  参考訳（メタデータ） (2023-05-19T15:20:00Z)
• 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)

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。