Fugu-MT 論文翻訳(概要): BASeg: Boundary-Aware Remote Sensing Segmentation with Structural Penalties

論文の概要: BASeg: Boundary-Aware Remote Sensing Segmentation with Structural Penalties

arxiv url: http://arxiv.org/abs/2608.15683v1
Date: Sun, 16 Aug 2026 11:19:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.383472
Title: BASeg: Boundary-Aware Remote Sensing Segmentation with Structural Penalties
Title（参考訳）: BASeg: 構造的罰則による境界認識型リモートセンシングセグメンテーション
Abstract要約: 境界と形状の整合性を明確に向上するマハラノビスアングル境界損失(MABL)を提案する。 MABL上に構築されたBASegは,Struc-tural Penaltiesを用いた境界認識型リモートセンシングセグメンテーションフレームワークである。
参考スコア（独自算出の注目度）: 29.10466165788003
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semantic segmentation is a core computer vision task in the remote sensing field, accelerating advancements in ur- ban development, agriculture, ecology, water resources, and environmental monitoring. However, recent methods usually struggle to capture fine-grained object features and bound- ary details. Besides, current widely used datasets often lack city morphology diversity and segmentation on generative im- ages remains largely unexplored. To address these issues, we propose a Mahalanobis-Angle Boundary Loss (MABL) that explicitly enhances boundary and shape consistency. MABL jointly models structural importance and boundary orientation through Mahalanobis distance-based weighting and angle- aware penalty. It can be readily integrated into diverse seg- mentation architectures and consistently improves their accu- racy. Built upon MABL, we introduce BASeg, a boundary- aware remote sensing segmentation framework with Struc- tural Penalties. BASeg integrates a Global Visual State Space module (GSM) with a Cross-Feature Fusion module (CFM) to capture both long-range contextual dependencies and fine- grained local details. Additionally, we establish a global 10- city benchmark dataset (GCD-25k) to facilitate accurate build- ing and road segmentation. Extensive experiments on four remote-sensing benchmarks demonstrate that BASeg consis- tently outperforms existing methods, achieving up to a 2.8% improvement in mIoU while producing more accurate object boundary segmentation across diverse scenes. Moreover, integrating MABL into multiple existing segmentation archi- tectures consistently improves performance across datasets, demonstrating its robustness and broad applicability.
Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)は、リモートセンシング分野におけるコアコンピュータビジョンタスクであり、ur- ban開発、農業、生態学、水資源、環境モニタリングの進歩を加速させる。しかし、最近の手法は、通常、きめ細かいオブジェクトの特徴と境界項の詳細を捉えるのに苦労する。さらに、現在広く使われているデータセットは、都市形態の多様性を欠いていることが多く、世代間近年齢のセグメンテーションはほとんど未発見のままである。これらの問題に対処するために,境界と形状の整合性を明確に向上するMahalanobis-Angle境界損失(MABL)を提案する。 MABLは、マハラノビス距離に基づく重み付けと角度対応ペナルティによる構造的重要性と境界方向を共同でモデル化する。多様なセグ-メンテーションアーキテクチャに容易に統合でき、一貫してアクールレシーを改善している。 MABL上に構築されたBASegは,Struc-tural Penaltiesを用いた境界認識型リモートセンシングセグメンテーションフレームワークである。 BASegはGSM(Global Visual State Space Module)とCFM(Cross-Feature Fusion Module)を統合して、長距離のコンテキスト依存ときめ細かいローカル詳細の両方をキャプチャする。さらに,グローバルな10都市ベンチマークデータセット(GCD-25k)を構築し,正確なビルディングと道路セグメンテーションを容易にする。 4つのリモートセンシングベンチマークによる大規模な実験により、BASeg consis-は既存の手法を一時的に上回り、mIoUの2.8%の改善を達成し、様々な場面でより正確なオブジェクト境界セグメンテーションを生み出した。さらに、複数の既存のセグメンテーションアーキテクチャにMABLを統合することで、データセット間のパフォーマンスが一貫して向上し、堅牢性と幅広い適用性を示している。

関連論文リスト

Modality-Agnostic Prompt Learning for Multi-Modal Camouflaged Object Detection [61.36976558603528]
本稿では,Segment Anything Model(SAM)のためのモダリティに依存しないマルチモーダルプロンプトを生成する新しいフレームワークを提案する。具体的には,データ駆動型コンテンツドメインと知識駆動型プロンプトドメインとのインタラクションを通じて,マルチモーダル学習をモデル化する。さらに,微粒なプロンプトキューを組み込むことで,粗い予測をキャリブレーションする軽量マスクリファインモジュールを導入する。
論文参考訳（メタデータ） (2026-04-14T07:13:28Z)
UAGLNet: Uncertainty-Aggregated Global-Local Fusion Network with Cooperative CNN-Transformer for Building Extraction [83.48950950780554]
リモートセンシング画像からの抽出は、複雑な構造変化のために難しい課題である。既存の方法は、セグメンテーションモデルにおけるマルチスケール特徴をキャプチャするために、畳み込みブロックまたは自己アテンションブロックを使用する。高品質なグローバルローカルなビジュアルセマンティクスを活用するために,不確実性集約型グローバルローカルフュージョンネットワーク(UAGLNet)を提案する。
論文参考訳（メタデータ） (2025-12-15T02:59:16Z)
AURASeg: Attention Guided Upsampling with Residual Boundary-Assistive Refinement for Drivable-Area Segmentation [0.5729426778193399]
セマンティックセグメンテーションのための残留境界支援リファインメント(AURASeg)を用いたアテンションガイドアップサンプリングを提案する。提案手法は,mIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUとmIoUの2。
論文参考訳（メタデータ） (2025-10-24T15:01:18Z)
BoundMatch: Boundary detection applied to semi-supervised segmentation [12.8995997687175]
半教師付きセマンティックセマンティックセグメンテーション(SS-SS)は,多彩なラベル付き画像を活用することで,高密度画素ラベリングの重いアノテーション負担を軽減することを目的としている。本稿では,意味境界検出を教師と学生の整合性正規化パイプラインに明示的に統合する,新しいマルチタスクSS-SSフレームワークであるBoundMatchを提案する。境界一貫性規則化マルチタスク学習(Bundary Consistency Regularized Multi-Task Learning)は,セグメンテーションマスクと詳細なセグメンテーション境界において,教師と生徒のモデル間の予測合意を強制する。
論文参考訳（メタデータ） (2025-03-30T17:02:26Z)
A Deep Learning Framework for Boundary-Aware Semantic Segmentation [9.680285420002516]
本研究では境界拡張機能ブリッジングモジュール(BEFBM)を用いたMask2Formerに基づくセマンティックセマンティックセマンティクスアルゴリズムを提案する。提案手法は,mIOU,mDICE,mRecallなどのメトリクスを大幅に改善する。ビジュアル分析は、きめ細かい領域におけるモデルの利点を裏付ける。
論文参考訳（メタデータ） (2025-03-28T00:00:08Z)
Cross-Modal Bidirectional Interaction Model for Referring Remote Sensing Image Segmentation [50.433911327489554]
リモートセンシング画像セグメンテーション(RRSIS)の目標は、参照式によって識別された対象オブジェクトの画素レベルマスクを生成することである。上記の課題に対処するため、クロスモーダル双方向相互作用モデル(CroBIM)と呼ばれる新しいRRSISフレームワークが提案されている。 RRSISの研究をさらに推し進めるために、52,472個の画像言語ラベル三重項からなる新しい大規模ベンチマークデータセットRISBenchを構築した。
論文参考訳（メタデータ） (2024-10-11T08:28:04Z)
DuAT: Dual-Aggregation Transformer Network for Medical Image Segmentation [21.717520350930705]
トランスフォーマーベースのモデルはコンピュータビジョンタスクで成功することが広く実証されている。しかし、それらはしばしば大きなパターンの特徴によって支配され、局所的な詳細が失われる。本稿では、2つの革新的な設計を特徴とするDuATと呼ばれるDual-Aggregation Transformer Networkを提案する。大腸内視鏡画像における皮膚病変像とポリープの分画における最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2022-12-21T07:54:02Z)
Boundary Guided Context Aggregation for Semantic Segmentation [23.709865471981313]
我々は、画像の全体的意味理解を促進するために、コンテキストアグリゲーションのための重要なガイダンスとして境界を利用する。我々はCityscapesとADE20Kデータベースに関する広範な実験を行い、最先端の手法で同等の結果を得る。
論文参考訳（メタデータ） (2021-10-27T17:04:38Z)
Global Aggregation then Local Distribution for Scene Parsing [99.1095068574454]
提案手法は,エンドツーエンドのトレーニング可能なブロックとしてモジュール化され,既存のセマンティックセグメンテーションネットワークに容易に接続可能であることを示す。私たちのアプローチでは、Cityscapes、ADE20K、Pascal Context、Camvid、COCO-stuffといった主要なセマンティックセグメンテーションベンチマークに基づいて、新しい最先端の技術を構築できます。
論文参考訳（メタデータ） (2021-07-28T03:46:57Z)
The Devil is in the Boundary: Exploiting Boundary Representation for Basis-based Instance Segmentation [85.153426159438]
本研究では,既存のグローバルマスクベースの手法を補完するグローバル境界表現を学習するために,Basisベースのインスタンス(B2Inst)を提案する。私たちのB2Instは一貫した改善をもたらし、シーン内のインスタンス境界を正確に解析します。
論文参考訳（メタデータ） (2020-11-26T11:26:06Z)
Think about boundary: Fusing multi-level boundary information for landmark heatmap regression [51.48533538153833]
顔の境界とランドマークの関係を探索するための2段階のエンドツーエンドアプローチについて検討する。境界対応ランドマーク予測は,自己校正境界推定(SCBE)モジュールと境界対応ランドマーク変換(BALT)モジュールの2つのモジュールで構成される。我々の手法は文学における最先端の手法より優れている。
論文参考訳（メタデータ） (2020-08-25T10:14:13Z)

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。