論文の概要: Towards Scaling Marine Perception with Synthetic Data

• arxiv url: http://arxiv.org/abs/2609.20680v1
• Date: Thu, 17 Sep 2026 16:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.38736
• Title: Towards Scaling Marine Perception with Synthetic Data
• Title（参考訳）: 合成データによる海面知覚のスケーリングに向けて
• Abstract要約: 我々は、IsaacSimをベースとした水中知覚シミュレータであるOceanSimを拡張し、Synthetic Data Generationパイプラインで拡張する。 提案したパイプラインでは,シーンの外観,構造,センサ設定を備えた大規模で自動ラベル付きフォトリアリスティックデータセットを生成することができる。 本研究では,実世界のウニ検出作業におけるパイプラインの評価を行い,異なる形態の合成シーンがシム・トゥ・リアルのパフォーマンスに与える影響について検討した。
• 参考スコア（独自算出の注目度）: 15.096942836375257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable machine learning in challenging underwater environments is strongly limited by the lack of labeled real-world training data. This data is often expensive and laborious to gather, making large-scale real-world data challenging to gather and curate. However, simulated data can help close the gap, enabling many learning-based tasks for underwater perception. In this work, we extend OceanSim, an IsaacSim-based underwater perception simulator, with a Synthetic Data Generation (SDG) pipeline for training models to be used in underwater scenarios. The proposed pipeline enables users to generate large, automatically labeled, photorealistic datasets with configurable scene appearance, structure, and sensor settings. We evaluate the pipeline on a real-world sea urchin detection task and study how different forms of synthetic scene variation affect sim-to-real performance. Based on these experiments, we discuss findings on our results, main limitations of the current pipeline and identify future directions for improving underwater rendering fidelity, scene diversity, and the evaluation of sim-to-real generalization. The open-source code can be found at https://github.com/umfieldrobotics/OceanSim.
• Abstract（参考訳）: 水中環境に挑戦するスケーラブルな機械学習は、ラベル付き実世界のトレーニングデータがないため、非常に制限されている。 このデータはしばしば高価で、収集には手間がかかるため、大規模な現実世界のデータ収集と収集は困難である。 しかし、シミュレーションされたデータはギャップを埋めるのに役立ち、水中知覚のための多くの学習ベースのタスクを可能にする。 本研究では、IsaacSimをベースとした水中知覚シミュレータであるOceanSimを拡張し、Synthetic Data Generation (SDG)パイプラインを使用して、水中シナリオで使用するモデルのトレーニングを行う。 提案したパイプラインは、設定可能なシーンの外観、構造、センサ設定を備えた、大きく、ラベル付けされた、フォトリアリスティックなデータセットを生成することができる。 本研究では,実世界のウニ検出作業におけるパイプラインの評価を行い,異なる形態の合成シーンがシム・トゥ・リアルのパフォーマンスに与える影響について検討した。 これらの実験に基づいて,本研究の結果,現在のパイプラインの主な限界,水中レンダリングの精度向上への今後の方向性,シーンの多様性,シミュレート・トゥ・リアルな一般化の評価について考察した。 オープンソースコードはhttps://github.com/umfieldrobotics/OceanSimにある。

関連論文リスト

• Real-Time Monocular Scene Analysis for UAV in Outdoor Environments [0.0]
  我々はCo-SemDepthという,2つのタスクを正確かつ迅速に実行可能な共同ディープラーニングアーキテクチャを提案する。 Co-SemDepthは、MidSeaと呼ばれる合成海洋データに基づいて訓練され、合成データと実データの両方でテストされている。
  論文  参考訳（メタデータ） (2026-03-09T14:08:50Z)
• Underwater Monocular Metric Depth Estimation: Real-World Benchmarks and Synthetic Fine-Tuning with Vision Foundation Models [0.0]
  実世界の水中データセットを用いたゼロショットおよび微調整単分子メートル法深度推定モデルのベンチマークを示す。 その結果,地上データ(実データや合成データ)に基づいて訓練した大規模モデルでは,水中での作業は不十分であることがわかった。 本研究では,水中における単分子距離深度推定の詳細な評価と可視化を行う。
  論文  参考訳（メタデータ） (2025-07-02T21:06:39Z)
• eStonefish-scenes: A synthetically generated dataset for underwater event-based optical flow prediction tasks [0.0]
  我々はStonefishシミュレータに基づく合成イベントベース光フローデータセットeStonefish-scenesを紹介する。 データセットとともに、カスタマイズ可能な水中環境の作成を可能にするデータ生成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-05-19T16:26:18Z)
• OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework [9.848290383558572]
  高速GPU加速水中シミュレータであるOceanSimを提案する。 そこで本研究では,水中画像シミュレーションにおけるシミュレートと現実のギャップを低減するために,物理に基づく高度なレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2025-03-03T00:32:09Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• BrackishMOT: The Brackish Multi-Object Tracking Dataset [20.52569822945148]
  濁った環境で捕獲された水中マルチオブジェクト追跡(MOT)データセットは公開されていない。 BrackishMOTは、野生で捕獲された98のシークエンスから構成される。新しいデータセットに加えて、最先端のトラッカーをトレーニングしてベースライン結果を示す。 トレーニング中に合成データを含めることの効果を分析し,実際の水中トレーニングデータと合成水中トレーニングデータを組み合わせることで,追跡性能が向上することを示した。
  論文  参考訳（メタデータ） (2023-02-21T13:02:36Z)
• Learning to Simulate Realistic LiDARs [66.7519667383175]
  リアルLiDARセンサのデータ駆動シミュレーションのためのパイプラインを提案する。 本モデルでは, 透明表面上の落下点などの現実的な効果を符号化できることが示される。 我々は2つの異なるLiDARセンサのモデルを学習し、それに従ってシミュレーションされたLiDARデータを改善する。
  論文  参考訳（メタデータ） (2022-09-22T13:12:54Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
  ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。 現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。 本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:15:35Z)

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。