論文の概要: FiVOS: A Fish Segmentation Algorithm Based on Interactive Video Object Segmentation and Filter Enhancement
- arxiv url: http://arxiv.org/abs/2610.01480v1
- Date: Thu, 01 Oct 2026 11:20:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.073526
- Title: FiVOS: A Fish Segmentation Algorithm Based on Interactive Video Object Segmentation and Filter Enhancement
- Title（参考訳）: FiVOS:インタラクティブなビデオオブジェクトのセグメンテーションとフィルタの強化に基づく魚のセグメンテーションアルゴリズム
- Abstract要約: 本稿では,改良された対話型ビデオオブジェクトセグメンテーション法(FiVOS)を提案し,魚特有の2つのデータセットを構築した。
FiVOSは魚のビデオセグメンテーションタスクにおける最先端(SOTA)のパフォーマンスを実現し、魚の行動研究に堅牢な技術サポートを提供する。
- 参考スコア（独自算出の注目度）: 22.046173107709894
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the continuous expansion of aquaculture, precise and efficient monitoring of fish behavior has become increasingly critical for improving farming efficiency and reducing economic losses. In particular, with the ongoing enhancement of computational capabilities in deep learning models, vision-based fish segmentation methods are garnering growing attention. By analyzing video segmentation results, fish behavior can be effectively tracked, thereby providing reliable data support for the precise regulation of aquaculture environments. However, existing deep learning-based video segmentation methods for aquaculture scenarios often overlook the dynamic correlations between video frames. In contrast, Interactive Video Object Segmentation (IVOS) employs an interaction-propagation scheme to achieve high-precision segmentation while minimizing user effort, thereby enhancing monitoring efficiency. Yet, IVOS applications in aquaculture remain limited due to data scarcity, and are susceptible to error accumulation and mask loss over long sequence propagation due to high intra-class similarity. In response, this paper proposes an improved interactive video object segmentation method (FiVOS) and constructs two fish-specific datasets. FiVOS utilizes a mask block filter to enable early detection and correction of erroneous propagated mask blocks, enhancing filtering accuracy through a rule-based thresholding approach. Additionally, it serializes noise filters to further eliminate erroneous mask noise, thereby improving model robustness. Experimental results demonstrate that FiVOS achieves state-of-the-art (SOTA) performance in fish video segmentation tasks, providing robust technical support for fish behavior research.
- Abstract（参考訳）: 養殖の継続的な拡大に伴い、魚の行動の正確かつ効率的なモニタリングは、農業効率の向上と経済的損失の低減にますます重要になっている。
特に,深層学習モデルにおける計算能力の向上が進み,視覚に基づく魚の区分け手法が注目されている。
ビデオセグメンテーションの結果を解析することにより、魚の行動が効果的に追跡され、水養環境の精密な規制のための信頼性の高いデータサポートが提供される。
しかし、既存の深層学習に基づく水文化シナリオのためのビデオセグメンテーション手法は、しばしばビデオフレーム間の動的相関を見落としている。
対照的に、Interactive Video Object Segmentation (IVOS)は、ユーザの労力を最小化しながら高精度なセグメンテーションを実現するために、対話プロパゲーション方式を採用している。
しかし、水耕栽培におけるIVOSの応用は、データ不足により制限されており、クラス内類似度が高いため、長い列の伝播によるエラー蓄積やマスク損失の影響を受けやすい。
そこで本研究では,対話型ビデオオブジェクトセグメンテーション法(FiVOS)を提案し,魚特有の2つのデータセットを構築した。
FiVOSはマスクブロックフィルタを使用して、誤ったプロパゲートマスクブロックの早期検出と修正を可能にし、ルールベースのしきい値設定アプローチによるフィルタリング精度を向上させる。
さらに、ノイズフィルタをシリアライズして、さらに誤ったマスクノイズを排除し、モデルロバスト性を向上させる。
実験結果から,魚ビデオセグメンテーション作業において,魚の行動研究に堅牢な技術支援を提供するため,魚の映像セグメンテーション作業における最先端(SOTA)性能を実現することが確認された。
関連論文リスト
- FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。
本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。
FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
論文 参考訳（メタデータ） (2025-11-26T08:36:33Z) - FishDet-M: A Unified Large-Scale Benchmark for Robust Fish Detection and CLIP-Guided Model Selection in Diverse Aquatic Visual Domains [1.3791394805787949]
FishDet-Mは、様々な水生環境にまたがる13の公開データセットを含む、魚検出のための最大の統一されたベンチマークである。
すべてのデータは、境界ボックスとセグメンテーションマスクの両方を持つCOCOスタイルのアノテーションを使用して調和する。
FishDet-Mは、複雑な水シーンにおけるオブジェクト検出を評価するための標準化され再現可能なプラットフォームを確立する。
論文 参考訳（メタデータ） (2025-07-23T18:32:01Z) - Audio-Visual Class-Incremental Learning for Fish Feeding intensity Assessment in Aquaculture [29.42598968673262]
魚の摂食強度評価(FFIA)は産業用養殖管理において重要である。
最近のマルチモーダルアプローチは、FFIAの堅牢性と効率性を改善することを約束している。
AV-CIL-FFIAは,水養環境下で6種の魚の摂餌強度を計測する81,932個のラベル付き視覚クリップからなる新しいデータセットである。
そして、FFIAのための音声視覚クラスインクリメンタルラーニング(CIL)の先駆者となり、AV-CIL-FFIAのベンチマークにより、単一モダリティ法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2025-04-21T15:24:34Z) - FMRFT: Fusion Mamba and DETR for Query Time Sequence Intersection Fish Tracking [3.599033310931609]
本稿では,複雑なマルチシナリオ・スタージョン追跡データセットを確立する。
リアルタイムの魚追跡ソリューションであるFMRFTモデルを導入している。
このモデルは、ビデオメモリ消費の少ないMamba In Mambaアーキテクチャを取り入れている。
論文 参考訳（メタデータ） (2024-09-02T10:33:45Z) - A method for detecting dead fish on large water surfaces based on improved YOLOv10 [0.6874745415692134]
死んだ魚は水質の悪化、生態系の損傷、病気の伝染などの重大な問題を引き起こす可能性がある。
本稿では,拡張YOLOv10フレームワーク上に構築したエンドツーエンド検出モデルを提案する。
論文 参考訳（メタデータ） (2024-08-31T08:43:37Z) - ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to
Improve Segmentation Performance [61.04246102067351]
本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。
実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-07-02T10:39:29Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳（メタデータ） (2022-11-17T23:55:12Z) - Overcoming Annotation Bottlenecks in Underwater Fish Segmentation: A Robust Self-Supervised Learning Approach [3.0516727053033392]
本稿では,Deep Learning を用いた魚のセグメンテーションのための自己教師型学習手法を提案する。
手動のアノテーションを使わずにトレーニングされた我々のモデルは、拡張ビューにまたがる特徴を整列することで、堅牢で一般化可能な表現を学習する。
DeepFish、Seagrass、YouTube-VOSの3つの挑戦的な水中ビデオデータセットでその効果を実証する。
論文 参考訳（メタデータ） (2022-06-11T01:20:48Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳（メタデータ） (2021-08-05T10:39:39Z) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳（メタデータ） (2020-11-28T05:51:19Z)
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。