論文の概要: CrevasseSeg: A Label-Efficient UAV Crevasse Segmentation Framework

• arxiv url: http://arxiv.org/abs/2608.15790v2
• Date: Tue, 18 Aug 2026 14:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 13:45:32.956245
• Title: CrevasseSeg: A Label-Efficient UAV Crevasse Segmentation Framework
• Title（参考訳）: CrevasseSeg: ラベル効率の良いUAVクレバスセグメンテーションフレームワーク
• Abstract要約: CrevasseSegは、SvalbardのBorebreen上のバイナリセグメンテーションのためのフレームワークである。 3つのアーキテクチャで5つの自己組織化目標をベンチマークします。 衛星プレトレーニングされたDINOv3は、目標を越えて自然像の初期化を改善する。
• 参考スコア（独自算出の注目度）: 2.5193958040700166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Crevasse mapping from uncrewed aerial vehicle (UAV) imagery matters for glaciological research and for field safety in glaciated terrain. Yet, pixel-level annotation of glacier surfaces is costly and requires domain experts. We introduce CrevasseSeg, a framework for binary segmentation over the terminus of Borebreen, Svalbard, comprising 1,938 unlabelled UAV orthomosaic tiles for self-supervised/unsupervised fine-tuning, 24 labelled tiles for validation and 176 labelled tiles for testing. Using CrevasseSeg, we benchmark five self-supervised objectives -- BYOL, a Jensen-Shannon Divergence (JSD) objective, Barlow-Twins, VICReg, and a combined BYOL-JSD objective -- across three architectures: O-Net, O-Net++, and a DINOv3-initialised O-Net. Each configuration is evaluated under two frozen-feature readouts that differ only in the form of their decision boundary: a linear probe and a non-linear XGBoost classifier fit only on the 24 labelled validation images. Our central finding is a consistent inversion between the two readouts: DINOv3 features are the weakest under linear probing but the strongest under a non-linear readout. A UMAP analysis of the learned feature space shows that DINOv3 fragments pixels into many small clusters in which the classes are locally interleaved, whereas the convolutional architectures (O-Net and O-Net++) embed them onto a single class-sorted manifold. Satellite-pretrained DINOv3 improves over natural-image initialisation across objectives, and our label-efficient DINOv3-ViT-L-Sat-O-Net-BYOL-JSD pipeline reaches 75.33 mDSC / 61.28 mIoU, outperforming standard machine learning baselines fit on the same 24 labelled images with the RGB pixel values used as features. We release CrevasseSeg to support label-efficient segmentation research in remote sensing.
• Abstract（参考訳）: 無人航空機(UAV)からのクレバスマッピングは、氷河学研究や氷河地形の安全のために重要である。 しかし、氷河面のピクセルレベルのアノテーションは高価であり、ドメインの専門家を必要としている。 筆者らは,SvalbardのBorebreen終端を二分するフレームワークであるCrevasseSegを紹介した。このフレームワークは,自己監督/教師なし微調整用UAV直交タイル1,938個,検証用ラベル付きタイル24個,テスト用ラベル付きタイル176個からなる。 CrevasseSegを使って、O-Net、O-Net++、DINOv3初期化O-Netという3つのアーキテクチャで、BYOL、Jensen-Shannon Divergence(JSD)、Barlow-Twins、VICReg、BYOL-JSDの5つの目標をベンチマークします。 各構成は、リニアプローブと非線形XGBoost分類器をラベル付きバリデーション画像24にのみ適合させるという、決定境界の形でのみ異なる2つのフリーズ機能読み込みに基づいて評価される。 我々の中心的な発見は、2つの読み出しの間に一貫した逆転である: DINOv3特徴は線形探索において最も弱いが、非線形読み出しでは最強である。 学習された特徴空間の UMAP 解析により、DINOv3 はクラスが局所的にインターリーブされた多くの小さなクラスタに断片化され、一方、畳み込みアーキテクチャ (O-Net と O-Net++) はそれらを単一のクラス分類多様体に埋め込む。 我々のラベル効率の高いDINOv3-ViT-L-Sat-O-Net-BYOL-JSDパイプラインは75.33 mDSC / 61.28 mIoUに達し、標準機械学習ベースラインはRGBピクセル値を特徴として使用する24のラベル付き画像に適合する。 リモートセンシングにおけるラベル効率の高いセグメンテーション研究を支援するために、CrevasseSegをリリースする。

関連論文リスト

• Cut-ViT: Task-Specific Model Pruning via Gram Anchoring Subspace Consistency [71.81785123423516]
  そこで本稿では,視覚基盤モデルのプルーニングのためのタスク固有のプルーニングパイプラインであるCut-ViTを提案する。 基底非依存および残留制約は、ネイティブモデルとプルーニングされたDINOv3モデルのグラム部分空間を整列するために採用される。 実験によると、Cut-ViTは1つのA100 GPU上で1分程度必要であり、様々な範囲で作業を行うことができる。
  論文  参考訳（メタデータ） (2026-08-28T11:25:36Z)
• Covariance-Aware Goodness for Scalable Forward-Forward Learning [8.12004710498018]
  畳み込み設定では、Forward-Forwardメソッドは複雑なベンチマークのバックプロパゲーションが著しく低い。 3つの主要なコンポーネントを中心にしたフレームワークを提案する。 BPフリーモデルはImageNet-100で73.01%、Tiny-ImageNetで50.30%を達成した。
  論文  参考訳（メタデータ） (2026-05-05T23:08:00Z)
• Semantically Stable Image Composition Analysisvia Saliency and Gradient Vector Flow Fusion [0.5249805590164902]
  VFCNetを導入し、勾配ベクトルフロー場に塩分とエッジ情報を融合する。 このモデルは、二重ストリームGVF表現を計算し、注意を通してそれらを統合し、マルチスケールフロー特徴を抽出する。 VFCNetはPICDベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-14T09:53:19Z)
• CalibNet: Dual-branch Cross-modal Calibration for RGB-D Salient Instance Segmentation [88.50067783122559]
  CalibNetは3つの単純なモジュール、動的インタラクティブカーネル(DIK)と重量共有融合(WSF)で構成されている。 実験の結果、CalibNetは、COME15K-Nテストセット上で320*480の入力サイズを持つ58.0% APという有望な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-07-16T16:49:59Z)
• Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation for autonomous vehicles [63.20765930558542]
  3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。 そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。 ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび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ベンチマークを探索するために設計された。
  論文  参考訳（メタデータ） (2023-02-16T13:41:19Z)
• TiG-BEV: Multi-view BEV 3D Object Detection via Target Inner-Geometry Learning [7.6887888234987125]
  本稿では,LiDARモダリティからカメラベースBEV検出器へのターゲット内形状の学習手法を提案する。 TiG-BEVは、BEVDepthを+2.3% NDS、+2.4% mAP、BEVDetを+9.1% NDS、+10.3% mAPで効果的に増強することができる。
  論文  参考訳（メタデータ） (2022-12-28T17:53:43Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
  本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。 提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。 不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
  論文  参考訳（メタデータ） (2022-10-09T13:38:48Z)
• FIDNet: LiDAR Point Cloud Semantic Segmentation with Fully Interpolation Decoding [5.599306291149907]
  2次元球面領域画像上に点雲を投影すると、LiDARセマンティックセマンティックセマンティックセマンティクスがレンジ画像上の2次元セマンティクスタスクに変換される。 本稿では,新しいネットワーク構造と効率的な後処理ステップからなる投影型LiDARセマンティックセマンティックセマンティクスパイプラインを提案する。 我々のパイプラインは、40倍の2048$の解像度を持つプロジェクションベースのメソッドと、すべてのポイントワイズソリューションの中で、最高のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2021-09-08T17:20:09Z)
• LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
  LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。 本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。 提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
  論文  参考訳（メタデータ） (2020-11-24T08:44:46Z)

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。