論文の概要: Comparative Assessment of Deep Learning Architectures for Underwater Subsurface Kelp Forest Segmentation with The Kelp-o-Tron
- arxiv url: http://arxiv.org/abs/2608.24594v1
- Date: Tue, 25 Aug 2026 14:18:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.025064
- Title: Comparative Assessment of Deep Learning Architectures for Underwater Subsurface Kelp Forest Segmentation with The Kelp-o-Tron
- Title（参考訳）: Kelp-o-Tronを用いた水中ケルプ森林分断のための深層学習手法の比較評価
- Abstract要約: ResNet34-U-Net、ResNet50-DeepLabV3、ハイブリッドResNet50-ASPP-Transformerアーキテクチャをケルプ検出のために評価した。
独立したテストデータでは、ResNet50-DeepLabV3 が最も高い Dice (0.7120) と Intersection over Union (IoU; 0.6267) を獲得し、続いて ResNet34 U Net (Dice 0.6868; IoU 0.5978) を達成した。
ハイブリッドASPP変換器は高い画素精度(0.8528)を達成したが、Dice (0.6437) と IoU (0.5746) は低い。
- 参考スコア（独自算出の注目度）: 3.7076171525407102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Submerged kelp forests are vital coastal ecosystems that support marine biodiversity and ecosystem dynamics, yet accurate underwater kelp segmentation remains challenging due to optical degradation, illumination variability, turbidity, overlapping vegetation, and complex benthic backgrounds. We systematically evaluated three deep learning semantic segmentation frameworks, ResNet34-U-Net, ResNet50-DeepLabV3, and a hybrid ResNet50-ASPP-Transformer architecture, for kelp detection using high-resolution underwater RGB imagery collected from northeastern U.S. coastal waters. A dataset of 3,395 SSeg assisted annotated image-mask pairs was developed for model training and validation, while geographically independent sites were used for quantitative and qualitative evaluation. All models used consistent preprocessing, augmentation, and evaluation protocols. On independent test data, ResNet50-DeepLabV3 achieved the highest Dice (0.7120) and Intersection over Union (IoU; 0.6267), followed by ResNet34 U Net (Dice 0.6868; IoU 0.5978). The hybrid ASPP Transformer achieved the highest pixel accuracy (0.8528) but lower Dice (0.6437) and IoU (0.5746). External qualitative evaluation further showed that DeepLabV3 produced more consistent segmentation across varying environmental conditions, image qualities, and benthic habitats. Overall, ResNet50-DeepLabV3, termed Kelp-O-Tron, provided the best balance of segmentation accuracy, robustness, and generalization. The dataset, annotation workflow, and comparative evaluation provide resources for advancing automated underwater habitat mapping and ecological monitoring.
- Abstract（参考訳）: 水没したケルプ林は海洋生物多様性と生態系のダイナミクスを支える重要な沿岸生態系であるが、光学的劣化、照度変動、濁度、重なり合う植生、複雑なベント背景により、正確な水中ケルプセグメンテーションは依然として困難である。
本研究では,米国北東部沿岸海域から収集した高分解能水中RGB画像を用いたケルプ検出のために,ResNet34-U-Net,ResNet50-DeepLabV3,ハイブリッドResNet50-ASPP-Transformerアーキテクチャの3つのディープラーニングセマンティックセマンティックセマンティクスフレームワークを体系的に評価した。
モデルトレーニングと検証のために3,395のSSeg補助画像マスクペアのデータセットを開発し,地理的に独立したサイトを定量的かつ質的な評価に利用した。
全てのモデルは一貫した前処理、拡張、評価プロトコルを使用した。
独立したテストデータでは、ResNet50-DeepLabV3 が最も高い Dice (0.7120) と Intersection over Union (IoU; 0.6267) を獲得し、続いて ResNet34 U Net (Dice 0.6868; IoU 0.5978) が続いた。
ハイブリッドASPP変換器は最高のピクセル精度(0.8528)を達成したが、Dice (0.6437) と IoU (0.5746) は低かった。
外部定性的評価により、DeepLabV3は様々な環境条件、画像品質、ベント性生息地をまたいでより一貫したセグメンテーションを生み出した。
全体として、ResNet50-DeepLabV3はKelp-O-Tronと呼ばれ、セグメンテーションの精度、堅牢性、一般化の最良のバランスを提供した。
データセット、アノテーションワークフロー、および比較評価は、自動水中生息地マッピングと生態モニタリングを前進させるためのリソースを提供する。
関連論文リスト
- When Less Is More: A Controlled Benchmark of Lightweight CNNs for Satellite Land-Cover Segmentation on DeepGlobe [0.3093890460224435]
本研究では,DeepGlobe Land Cover Classificationデータセット上で,VGG16,MobileNetV2,InceptionV3,AlexNet,CNNの5つのアーキテクチャを比較した。
24.98MBでは、MobileNetV2_v1が最も高い精度 (0.7906) と平均インターセクションオーバーユニオン (0.4625) であった。
これらの結果は、リソース制約されたリモートセンシング環境において、軽量で転送学習型モデルがより深いモデルにマッチし、より優れた性能を発揮することを示している。
論文 参考訳（メタデータ） (2026-07-25T03:51:49Z) - EcoVision: AI-Powered Drone Imaging for Salt Marsh Vegetation Monitoring and Dominance Mapping [0.0]
このフレームワークは、2つの生態学的に重要なハロ植物草(Spartina maritimaとPuccinellia maritima)を標的とした。
これらの植物を画像から識別するために,我々は,信頼性の高い種マスクを得た。
EcoVisionと名付けられたこの開発システムは、スケーラブルで高解像度の塩沼モニタリングのための実用的な基盤を確立している。
論文 参考訳（メタデータ） (2026-07-07T10:16:31Z) - DeepForestVisionV2: Ecology-Driven Taxonomy Expansion for Camera-Trap Monitoring in African Tropical Forests [1.4196768534209772]
DeepForestVisionは、アフリカの熱帯林でカメラトラップを分類するためのオープンツールである。
DeepForestVisionV2は、クローズドキャノピーで地上レベルの森のインテリア用に設計されている。
垂直成層、シーンの開放性、人為的インターフェースの3つの繰り返し展開勾配に対処する。
論文 参考訳（メタデータ） (2026-06-18T13:38:48Z) - Evaluation of deep learning architectures for wildlife object detection: A comparative study of ResNet and Inception [0.0]
本研究では,野生生物検出におけるResNet-101とInception v3の2つの個別ディープラーニングアーキテクチャの有効性について検討した。
モデルは、標準化された前処理アプローチを用いて野生生物の画像データセットで訓練され、評価された。
ResNet-101モデルでは、分類精度は94%、平均精度は0.91で、階層的な特徴を抽出する上で高い性能を示した。
論文 参考訳（メタデータ） (2025-12-17T14:30:47Z) - Geodiffussr: Generative Terrain Texturing with Elevation Fidelity [48.82552523546255]
テキスト誘導テクスチャマップを合成するフローマッチングパイプラインであるGeodiffussrを紹介する。
マルチスケールコンテンツアグリゲーション(MCA): DEM機能は、複数の解像度でUNetブロックに注入され、グローバルからローカライズされた高度の一貫性が強制される。
Geodiffussrを訓練し,評価するために,SRTM由来のDEMとSentinel-2画像と視覚接地型自然出現キャプションを組み合わせた三重項のグローバル分布,バイオメ-および気候成層コーパスを組み立てた。
論文 参考訳（メタデータ） (2025-11-28T09:52:44Z) - Exploring the Underwater World Segmentation without Extra Training [55.291219073365546]
我々は,最初の大規模かつ微細な水中セグメンテーションデータセットである textbfAquaOV255 を紹介する。
トレーニング不要なOVセグメンテーションフレームワークである textbfEarth2Ocean も紹介する。
論文 参考訳（メタデータ） (2025-11-11T07:22:56Z) - Tree-Mamba: A Tree-Aware Mamba for Underwater Monocular Depth Estimation [85.17735565146106]
水中単眼深度推定(UMDE)は水中劣化画像から高精度深度マップを推定することを目的とした重要な課題である。
我々は,水中の劣化画像から正確な単分子深度マップを推定するための,木を意識した新しいマンバ手法であるTree-Mambaを開発した。
海底深度推定ベンチマーク (BlueDepth) を構築し, 深度ラベルが信頼できる海底画像ペア38,162枚を構築した。
論文 参考訳（メタデータ） (2025-07-10T12:10:51Z) - 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) - Enhancing kelp forest detection in remote sensing images using crowdsourced labels with Mixed Vision Transformers and ConvNeXt segmentation models [0.0]
本研究では,クラウドソースラベルと高度な人工知能モデルを統合することにより,高速かつ高精度なケルプキャノピー検出パイプラインを開発する。
この手法は高い検出率を達成し、ケルプキャノピーを含む4ピクセル中3ピクセルを正確に同定した。
この研究は、機械学習モデルとクラウドソーシングデータを組み合わせることで、効果的でスケーラブルな環境モニタリングを可能にする可能性をも示している。
論文 参考訳（メタデータ） (2025-01-23T12:12:31Z) - DepthSplat: Connecting Gaussian Splatting and Depth [90.06180236292866]
ガウススプラッティングと深さ推定を結合するDepthSplatを提案する。
ガウススプラッティングは、強力な深度モデルを学ぶための教師なし事前学習の目的として機能することを示す。
我々のDepthSplatは、ScanNet、RealEstate10K、DL3DVデータセットの最先端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） (2024-10-17T17:59:58Z) - Towards 3D Scene Reconstruction from Locally Scale-Aligned Monocular
Video Depth [90.33296913575818]
映像深度推定や映像からの3次元シーン再構成のようなビデオベースのシナリオでは、フレームごとの予測における未知のスケールとシフトが深度の不整合を引き起こす可能性がある。
局所重み付き線形回帰法を提案する。
提案手法は,複数のゼロショットベンチマークにおいて,既存の最先端手法の性能を50%向上させることができる。
論文 参考訳（メタデータ） (2022-02-03T08:52:54Z) - OmniSLAM: Omnidirectional Localization and Dense Mapping for
Wide-baseline Multi-camera Systems [88.41004332322788]
超広視野魚眼カメラ(FOV)を用いた広視野多視点ステレオ構成のための全方向位置決めと高密度マッピングシステムを提案する。
より実用的で正確な再構築のために、全方向深度推定のための改良された軽量のディープニューラルネットワークを導入する。
我々は全方位深度推定をビジュアル・オドメトリー(VO)に統合し,大域的整合性のためのループ閉鎖モジュールを付加する。
論文 参考訳（メタデータ） (2020-03-18T05:52:10Z)
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。