論文の概要: Weakly Supervised Seafloor Segmentation for Seagrass Habitat Mapping in Side-Scan Sonar Imagery

• arxiv url: http://arxiv.org/abs/2608.24756v1
• Date: Tue, 25 Aug 2026 15:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.08812
• Title: Weakly Supervised Seafloor Segmentation for Seagrass Habitat Mapping in Side-Scan Sonar Imagery
• Title（参考訳）: サイドスキャンソナー画像における海草ハビタットマッピングのための弱修正海底セグメンテーション
• Abstract要約: 海草の牧草地はブルーカーボンの生息地であり、その範囲をマッピングすることは海岸管理と炭素在庫にとって必須条件である。 弱教師付き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SSSベントック生息地マッピングに適用する。 沿岸域の海草モニタリングに必要なスケールで, サイドスキャンソナーからの正確な, ラベル効率の高いベントック生息地マッピングが可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Seagrass meadows are crucial blue-carbon habitats, and mapping their extent is a prerequisite for coastal management and carbon inventory. Optical satellite sensors cover large areas but cannot reach deep or turbid water, whereas side-scan sonar (SSS) images the seabed at high resolution and at any depth. Interpreting SSS, however, still relies on dense manual annotation, which is slow and costly. We address this by adapting a weakly supervised semantic segmentation framework to SSS benthic habitat mapping, so that pixel-level maps are learned from image-level labels alone. The framework couples a ViT-based encoder-decoder with a classification branch, extracts class activation maps, and refines them into pseudo-labels with a dense conditional random field that we tune for the noise and weak boundaries of acoustic imagery. It follows an iterative self-training scheme, together with a sampling strategy to cope with the strong class imbalance of the data. We also study the effect of different loss functions on segmentation quality, finding Lovász-Softmax loss the most effective. On a held-out transect, the refined pseudo-labels reached an mIoU of 89.3\% against the ground truth, and the segmentation branch, trained without any pixel-level labels, reached 87.6\%. Self-supervised pretraining on unlabelled SSS added a further 3\% in mean intersection-over-union. Field trials further demonstrate the generalizability of the trained model. These results show that accurate and label-efficient benthic habitat mapping from side-scan sonar is feasible at the scale needed for coast-wide seagrass monitoring.
• Abstract（参考訳）: 海草の牧草地はブルーカーボンの生息地であり、その範囲をマッピングすることは海岸管理と炭素在庫にとって必須条件である。 光衛星センサーは広い範囲をカバーしているが、深海や濁水に届かないのに対し、サイドスキャンソナー(SSS)は海底を高解像度で、どんな深さでも撮影する。 しかし、SSSの解釈は依然として、遅くてコストのかかる高密度なマニュアルアノテーションに依存している。 画像レベルのラベルだけでピクセルレベルの地図が学習されるように、弱教師付き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・フレームワークをSSSベントックの生息地マッピングに適用することで、この問題に対処する。 このフレームワークは、ViTベースのエンコーダデコーダを分類分岐に結合し、クラスアクティベーションマップを抽出し、音響画像のノイズと弱い境界を調整した密度の条件付きランダムフィールドで擬似ラベルに洗練する。 これは、データの強いクラス不均衡に対処するサンプリング戦略とともに、反復的な自己学習スキームに従う。 また,損失関数の違いがセグメンテーション品質に及ぼす影響について検討し,ロヴァース・ソフトマックス損失が最も効果的であることを示した。 ホールドアウトで、改良された擬似ラベルは、真実に対して89.3\%のmIoUに達し、ピクセルレベルのラベルなしで訓練されたセグメンテーションブランチは87.6\%に達した。 自己指導型SSSプレトレーニングでは, 平均交叉平均値が3倍に増加した。 フィールドトライアルは、さらに訓練されたモデルの一般化可能性を示す。 これらの結果は,沿岸域の海草モニタリングに必要なスケールで,サイドスキャンソナーからの正確な,ラベル効率の高いベントックな生息地マッピングが可能であることを示唆している。

関連論文リスト

• BenthiCat: An opti-acoustic dataset for advancing benthic classification and habitat mapping [0.0]
  本稿では,カタルーニャ(スペイン)沿岸で収集された約100万個のサイドスキャン・ソナー (SSS) タイルからなる,完全なマルチモーダルデータセットを提案する。 SSSタイルの約num36000は、分類モデルの教師付き微調整を可能にするためにセグメンテーションマスクで手動で注釈付けされている。 センサーデータはすべてモザイクとともにリリースされ、さらなる探索とアルゴリズム開発をサポートする。
  論文  参考訳（メタデータ） (2025-10-06T15:00:20Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• High-fidelity Pseudo-labels for Boosting Weakly-Supervised Segmentation [17.804090651425955]
  画像レベルの弱い教師付きセグメンテーション(WSSS)は、トレーニング中にセグメンテーションマスクを代理することで、通常膨大なデータアノテーションコストを削減する。 本研究は,GAPの代替となる重要サンプリングと特徴類似性損失という,CAMを改善するための2つの手法に基づく。 複数の独立二項問題の後部二項問題に基づいて両手法を再構成する。 パフォーマンスが向上し、より一般的なものになり、事実上あらゆるWSSSメソッドを増強できるアドオンメソッドが出来上がります。
  論文  参考訳（メタデータ） (2023-04-05T17:43:57Z)
• Image Labels Are All You Need for Coarse Seagrass Segmentation [3.253176232272777]
  海草の牧草地は重要な炭素シンクとして機能するが、それらが蓄積する炭素量の推定には海草種の知識が必要である。 過去の海草の検出と分類にはパッチレベルのラベルの監督が必要であった。 本研究では、教師なしのコントラスト事前学習と特徴類似性を利用したアーキテクチャであるSeaFeatsと、大規模言語モデルの有効性を示すモデルであるSeaCLIPを紹介する。
  論文  参考訳（メタデータ） (2023-03-02T05:10:57Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurate Segmentation Model Against Thresholds [16.6833745997519]
  弱教師付き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(WSSS)は、画像レベルのラベルだけでセマンティクスモデルをトレーニングするという約束により、最近注目を集めている。 既存のWSSSメソッドは一般的に、CAMのスパースカバレッジがWSSSのパフォーマンスボトルネックを引き起こすと主張している。 本稿は, 実際のボトルネックはスパースカバレッジではなく, CAM後に適用されたグローバルしきい値決定方式である,という分析的および実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2022-03-30T04:26:14Z)
• Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation [141.16965264264195]
  Sparsely Annotated semantic segmentation (SASS) は、粗い粒度の監督によるセグメンテーションネットワークのトレーニングを目的としている。 ラベルなし画素のセマンティックガイダンスを提供することにより,SASSの新たなツリーエネルギー損失を提案する。
  論文  参考訳（メタデータ） (2022-03-21T05:16:23Z)
• Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
  本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。 最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。 これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。 合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:31:20Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Context-self contrastive pretraining for crop type semantic segmentation [39.81074867563505]
  提案したContext-Self Contrastive Loss (CSCL)は、セマンティックバウンダリをポップアップさせる埋め込み空間を学習する。 衛星画像時系列(SITS)からの作物型セマンティックセマンティックセグメンテーションでは,サテライト境界における性能が重要なボトルネックとなる。 より粒度の高い作物のクラスを得るための超解像における意味的セグメンテーションのプロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-09T11:29:44Z)

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。