論文の概要: HSI-Road Relabeled: Surface-Aware Road-Scene Segmentation

• arxiv url: http://arxiv.org/abs/2609.12151v1
• Date: Thu, 10 Sep 2026 19:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.526956
• Title: HSI-Road Relabeled: Surface-Aware Road-Scene Segmentation
• Title（参考訳）: 表面認識型道路シーンセグメンテーション(HSI-Road Relabeled)
• Abstract要約: HSI-Roadデータセットは、RGBと25チャネルのNIR(600-960nm)のペアイメージをバイナリマスクで提供するが、表面レベルラベルはない。 本稿では, 背景, アスファルト, コンクリート, ダート, 水, グラスの6種を手動で分類する。 6つのセマンティックセグメンテーションモデル(SSM)を4つの入力構成で評価する。
• 参考スコア（独自算出の注目度）: 2.9037955365365646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The HSI-Road dataset provides paired RGB and 25-channel NIR (600--960~nm) images with binary masks but no surface-level labels.~This paper introduces a manually labeled six-class taxonomy: Background, Asphalt, Concrete, Dirt, Water, and Grass, and an RGB-to-NIR registration pipeline with corresponding annotations. Six semantic-segmentation models (SSMs) are evaluated under four input configurations: original-resolution RGB (RGB$_{\text{ori}}$), registered low-resolution RGB (RGB$_{\text{reg}}$), NIR, and channel-stacked RGB$_{\text{reg}}$--NIR (RGBN$_{\text{stk}}$). The comparison quantifies the effect of spatial-resolution reduction on RGB, along with evaluation of NIR and RGBN$_{\text{stk}}$, with results reported using per-class and mean IoU and F1 scores. RGB$_{\text{ori}}$ achieves the highest overall performance but contains 12$\times$ more pixels than the matched-resolution inputs. At the matched 192$\times$384 resolution, RGBN$_{\text{stk}}$ outperforms NIR for all six SSMs and RGB$_{\text{reg}}$ for five of six, with the most consistent gains for the Water class. These results highlight the importance of spatial resolution while showing that NIR provides complementary information to RGB.
• Abstract（参考訳）: HSI-Roadデータセットは、RGBと25チャネルのNIR(600--960~nm)のペアイメージをバイナリマスクで提供するが、表面レベルラベルはない。 本稿では, 背景, アスファルト, コンクリート, ダート, 水, グラス, および対応するアノテーション付きRGB-to-NIR登録パイプラインを手動でラベル付けした6種類の分類について紹介する。 original- resolution RGB (RGB$_{\text{ori}}$), registered low- resolution RGB (RGB$_{\text{reg}}$), NIR, channel-stacked RGB$_{\text{reg}}$--NIR (RGBN$_{\text{stk}}$)である。 NIRおよびRGBN$_{\text{stk}}$の評価とともに, 空間分解能の低下がRGBに与える影響を定量化し, クラス別および平均IoUおよびF1スコアを用いて報告する。 RGB$_{\text{ori}}$は、全体的なパフォーマンスが最も高いが、マッチした解像度の入力よりも12$\times$多くのピクセルを含んでいる。 一致した192$\times$384の解像度では、RGBN$_{\text{stk}}$は6つのSSMでNIRを上回り、RGB$_{\text{reg}}$は6つのうち5つで、ウォータークラスでは最も一貫した利得である。 これらの結果は,NIRがRGBに相補的な情報を提供することを示すとともに,空間分解能の重要性を強調した。

関連論文リスト

• Toward Robust and 3D-Aware RGB-NIR Imaging in the Dark [68.49637363691325]
  本稿では,RGB-NIR低照度画像に3次元ニューラルモデリングを取り入れた新しい視点を提供する。 強力なモデルは、暗黙的に非常にノイズの多いRGB観測を3次元空間でNIRキューで融合させ、クリーンなRGBイメージを効果的に回収するために最適化することができる。
  論文  参考訳（メタデータ） (2026-07-31T17:59:18Z)
• RGB-Sonar Tracking Benchmark and Spatial Cross-Attention Transformer Tracker [4.235252053339947]
  本稿では,新しいRGB-Sonar(RGB-S)トラッキングタスクを提案する。 RGBとソナーモダリティの相互作用により、水中の標的の効率的な追跡を実現する方法について検討する。
  論文  参考訳（メタデータ） (2024-06-11T12:01:11Z)
• Spherical Space Feature Decomposition for Guided Depth Map Super-Resolution [123.04455334124188]
  誘導深度マップ超解像(GDSR)は、低解像度(LR)深度マップに高解像度(HR)RGB画像を含む追加情報を加えることを目的としている。 本稿では,この問題を解決するために,Spherical Space Feature Decomposition Network (SSDNet)を提案する。 提案手法は,4つのテストデータセットの最先端結果と実世界のシーンへの一般化を実現する。
  論文  参考訳（メタデータ） (2023-03-15T21:22:21Z)
• DarkVisionNet: Low-Light Imaging via RGB-NIR Fusion with Deep Inconsistency Prior [6.162654963520402]
  低照度画像における高強度ノイズは、既存のアルゴリズムに反するRGB-NIR画像間の構造不整合の影響を増幅する。 我々は、深部構造と深部不整合優先(DIP)という2つの技術的特徴を持つ新しいRGB-NIR融合アルゴリズムDark Vision Net(DVN)を提案する。 RGBドメインとNIRドメインの両方の深い構造に基づいて、RGB-NIRの融合を導くために構造不整合を利用するためのDIPを導入する。
  論文  参考訳（メタデータ） (2023-03-13T03:31:29Z)
• GO-Surf: Neural Feature Grid Optimization for Fast, High-Fidelity RGB-D Surface Reconstruction [13.49456523400957]
  GO-Surf は RGB-D 配列からの高精度かつ高速な表面再構成のための直接特徴グリッド最適化手法である。 GO-Surfは15ドルから45ドル(約1万2000円)で2Kフレームのシーケンスを最適化できる。
  論文  参考訳（メタデータ） (2022-06-29T15:59:23Z)
• RGB-D Saliency Detection via Cascaded Mutual Information Minimization [122.8879596830581]
  既存のRGB-Dサリエンシ検出モデルは、RGBと深さを効果的にマルチモーダル学習を実現するために明示的に奨励するものではない。 本稿では,RGB画像と深度データ間のマルチモーダル情報を「明示的」にモデル化するために,相互情報最小化による新しい多段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-15T12:31:27Z)
• Learning RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
  本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。 実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-08-18T12:41:36Z)
• Data-Level Recombination and Lightweight Fusion Scheme for RGB-D Salient Object Detection [73.31632581915201]
  深部特徴抽出に先立って,RGBとD(深部)を融合する新たなデータレベル組換え手法を提案する。 新たに設計された3重ストリームネットワークをこれらの新しい定式化データ上に適用し,RGBとDのチャネルワイドな相補的融合状態を実現する。
  論文  参考訳（メタデータ） (2020-08-07T10:13:05Z)
• Synergistic saliency and depth prediction for RGB-D saliency detection [76.27406945671379]
  既存のRGB-Dサリエンシデータセットは小さく、多様なシナリオに対して過度に適合し、限定的な一般化につながる可能性がある。 そこで本研究では,RGB-Dサリエンシ検出のための半教師付きシステムを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:24:41Z)

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。