論文の概要: mbariml: a curation pipeline for turning deep-sea imagery and video into object-detection training data

• arxiv url: http://arxiv.org/abs/2609.25500v1
• Date: Mon, 21 Sep 2026 23:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.147252
• Title: mbariml: a curation pipeline for turning deep-sea imagery and video into object-detection training data
• Title（参考訳）: mbariml:深海画像と映像を物体検出訓練データに変換するためのキュレーションパイプライン
• Abstract要約: 本稿では,ピソン方式のビデオ・画像解析パイプラインであるmbarimlについて述べる。 mbarimlはUltralytics YOLO検出モデルを使用し、静止画像やビデオ上で実行し、すべての検出をレビュー可能な領域として格納する。 パイプラインのステージをステージごとに記述し,その中3分の1をトラック観測に使用した。
• 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: Training data quantity and quality greatly affect object detection model performance, regardless of model architecture. When using object detection models on video and images from the deep sea, in which the objects of interest, primarily organisms, are sparse, faint, and hard to identify, incremental improvements to object detector performance may require an iterative approach to data labeling and management. This paper presents mbariml, a python-based video and image analysis pipeline built around the data labeling management process. mbariml uses an Ultralytics YOLO detection model, runs it over still images or video, stores every detection as a reviewable region of interest, groups those regions by visual similarity so that a human can accept or reject them in bulk, and exports the result as training data, statistics, image sidecars, and additional metadata. The human review stage is the centre of the design: an annotator can validate, relabel, resize, delete, and draw entirely new localizations, and every one of those edits is written back to the same database the detector wrote to. Video receives particular attention: the software treats each tracker-produced track as a provisional observation and selects one representative frame instead of retaining every detection in the track. We describe the pipeline stage by stage, including the operational middle-third heuristic used for track observation selection.
• Abstract（参考訳）: データ量と品質のトレーニングは、モデルアーキテクチャに関係なく、オブジェクト検出モデルの性能に大きな影響を与えます。 ビデオや深海画像の物体検出モデルを使用する場合、興味のある物体(主に生物)は疎く、暗く、識別が困難である場合、物体検出性能の漸進的な改善は、データラベリングと管理に反復的なアプローチを必要とする可能性がある。 本稿では,データラベリング管理プロセスを中心に構築されたピソン方式のビデオ・画像解析パイプラインであるmbarimlについて述べる。 mbarimlは、Ultralytics YOLO検出モデルを使用して、静止画像またはビデオ上で実行し、すべての検出をレビュー可能な関心領域として保存し、視覚的類似性によってそれらの領域をグループ化し、人間がそれらを大まかに受け入れたり拒否したりできるようにし、その結果をトレーニングデータ、統計、画像サイドカー、追加メタデータとしてエクスポートする。 アノテータは検証、レザベル、リサイズ、削除、全く新しいローカライゼーションを描画でき、これらの編集はすべて検出器が書き込んだ同じデータベースに書き戻される。 ビデオには特に注意が払われる: ソフトウェアは各トラッカーが生成したトラックを仮観察として扱い、トラック内のすべての検出を保持する代わりに1つの代表フレームを選択する。 パイプラインステージをステージごとに記述し、トラック観測選択に使用される中3次ヒューリスティックを含む。

関連論文リスト

• DeepSea MOT: A benchmark dataset for multi-object tracking on deep-sea video [0.07696728525672149]
  マルチオブジェクト追跡とオブジェクト検出モデルのパフォーマンスのベンチマークは、機械学習モデル開発における重要なステップである。 われわれの知る限りでは、これは深海ビデオのマルチオブジェクト追跡のための初めての公開ベンチマークだ。
  論文  参考訳（メタデータ） (2025-09-03T17:30:53Z)
• Visual Context-Aware Person Fall Detection [52.49277799455569]
  画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。 ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。 トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-04-11T19:06:36Z)
• Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
  本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。 提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。 パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-12-18T18:59:51Z)
• Labeling Indoor Scenes with Fusion of Out-of-the-Box Perception Models [4.157013247909771]
  ボトムアップセグメンテーション(SAM)、オブジェクト検出(Detic)、セマンティックセグメンテーション(MaskFormer)の最先端モデルを活用することを提案する。 室内環境におけるセマンティックセグメンテーションとオブジェクトインスタンス検出のための擬似ラベルを得るための,コスト効率の高いラベリング手法を開発することを目的とする。 提案手法の有効性を,Active VisionデータセットとADE20Kデータセットに示す。
  論文  参考訳（メタデータ） (2023-11-17T21:58:26Z)
• Impact of Label Types on Training SWIN Models with Overhead Imagery [0.0]
  本研究は,境界ボックスとセグメンテーションラベルを用いたシフト窓変圧器の訓練効果について検討した。 対象画素のみにトレーニングしたモデルでは,分類タスクの性能向上が得られないことがわかった。 オブジェクト検出では、各ラベルタイプでトレーニングされたモデルが、テスト全体で同等のパフォーマンスを示した。
  論文  参考訳（メタデータ） (2023-10-11T15:14:54Z)
• Zero-Shot Open-Vocabulary Tracking with Large Pre-Trained Models [28.304047711166056]
  大規模事前訓練モデルでは、野生の2次元静的画像中の物体の検出とセグメンテーションの進歩が期待できる。 このような大規模なトレーニング済みの静的イメージモデルを,オープン語彙のビデオトラッキングに再利用することは可能だろうか? 本稿では,オープンボキャブラリ検出器,セグメンタ,高密度光流推定器を,任意のカテゴリの物体を2Dビデオで追跡・セグメント化するモデルに再構成する。
  論文  参考訳（メタデータ） (2023-10-10T20:25:30Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Data Augmentation for Object Detection via Differentiable Neural Rendering [71.00447761415388]
  注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。 この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。 オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
  論文  参考訳（メタデータ） (2021-03-04T06:31:06Z)
• Self-supervised Segmentation via Background Inpainting [96.10971980098196]
  移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。 我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。 本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-11T08:34:40Z)

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。