論文の概要: Progressively Refining SAM for Accurate Phytoplankton Segmentation
- arxiv url: http://arxiv.org/abs/2610.36722v1
- Date: Tue, 27 Oct 2026 06:39:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.529451
- Title: Progressively Refining SAM for Accurate Phytoplankton Segmentation
- Title（参考訳）: 正確な植物プランクトンセグメンテーションのための段階的精錬SAM
- Abstract要約: PhySegはSAMベースのセグメンテーションフレームワークで、マルチスケールの機能融合によって細かな詳細を復元する軽量なリファインメントモジュールを備えている。
既存のデータセットにインスタンスレベルのマスクを手動でアノテートすることで植物プランクトンセグメンテーションデータセットを構築し、将来の研究に有用なリソースを提供する。
- 参考スコア（独自算出の注目度）: 44.055965749801125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate phytoplankton segmentation is essential for ecological monitoring, yet it remains largely underexplored due to the subtle visual characteristics of phytoplankton and the scarcity of pixel-level annotations. To address these challenges, we propose PhySeg, a SAM-based segmentation framework equipped with a lightweight refinement module that progressively restores fine-grained details through multi-scale feature fusion. In addition, we construct a phytoplankton segmentation dataset by manually annotating instance-level masks for an existing dataset, providing a valuable resource for future research. Experimental results demonstrate that PhySeg improves segmentation accuracy, validating the effectiveness of the proposed module. Code is available at https://github.com/lijialin404/PhySeg.
- Abstract（参考訳）: 植物プランクトンの正確なセグメンテーションは生態学的モニタリングに不可欠であるが、植物プランクトンの微妙な視覚的特徴とピクセルレベルのアノテーションの不足により、ほとんど探索されていない。
これらの課題に対処するために,多スケール機能融合により細粒度を段階的に復元する軽量な精細化モジュールを備えたSAMベースのセグメンテーションフレームワークであるPhySegを提案する。
さらに、既存のデータセットのインスタンスレベルのマスクを手動でアノテートすることで、植物プランクトンセグメンテーションデータセットを構築し、将来の研究に有用なリソースを提供する。
実験の結果,PhySegはセグメンテーション精度を向上し,提案モジュールの有効性を検証した。
コードはhttps://github.com/lijialin404/PhySeg.comで入手できる。
関連論文リスト
- HFP-SAM: Hierarchical Frequency Prompted SAM for Efficient Marine Animal Segmentation [61.044699537570644]
本研究では,高性能海洋動物分節のための新しい学習フレームワークHFP-SAMを提案する。
まず、凍結したSAMバックボーンに海洋シーン情報を効率よく注入する周波数誘導アダプタ(FGA)を設計する。
また、周波数分析により強調領域を生成するために、周波数対応ポイント選択(FPS)を導入する。
論文 参考訳（メタデータ） (2026-03-13T06:43:26Z) - ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。
ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
論文 参考訳（メタデータ） (2025-07-21T17:02:57Z) - MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark [36.37530623015916]
本稿では,様々な背景情報と観測時の動作変化を網羅するベンチマークデータセットであるMultiple Phytoplankton Tracking (MPT)を提案する。
このデータセットには27種類の植物プランクトンと動物プランクトンが含まれ、14種類の背景があり、多様な複雑な水中環境をシミュレートしている。
標準特徴抽出器の出力残量を予測するための追加特徴抽出器を導入し、抽出器の異なる層の特徴に基づいて多スケールのフレーム間類似性を計算した。
論文 参考訳（メタデータ） (2024-10-22T04:57:28Z) - PhyTracker: An Online Tracker for Phytoplankton [36.37513641359679]
PhyTrackerは植物プランクトンの自動追跡用に設計されたin situトラッキングフレームワークである。
提案手法には,テクスチャ強化特徴抽出(TFE)モジュール,注意強化時空間アソシエーション(ATA)モジュール,フロー非依存運動リファインメント(FMR)モジュールの3つのイノベーティブモジュールが組み込まれている。
論文 参考訳（メタデータ） (2024-06-29T07:53:47Z) - MAS-SAM: Segment Any Marine Animal with Aggregated Features [55.91291540810978]
そこで本研究では,海洋生物のセグメンテーションのためのMAS-SAMという新しい特徴学習フレームワークを提案する。
本手法により,グローバルな文脈的手がかりからよりリッチな海洋情報を抽出し,よりきめ細かな局部的詳細を抽出できる。
論文 参考訳（メタデータ） (2024-04-24T07:38:14Z) - WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。
既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文 参考訳（メタデータ） (2024-02-20T11:36:23Z) - Efficient Unsupervised Learning for Plankton Images [12.447149371717]
水生生態系の保全には,シチューにおけるプランクトン群集のモニタリングが不可欠である。
このようなデータを分類するための機械学習アルゴリズムの採用は、手動アノテーションの大幅なコストに影響される可能性がある。
プランクトン微生物の正確な分類を行うために,効率的な教師なし学習パイプラインを提案する。
論文 参考訳（メタデータ） (2022-09-14T15:33:16Z)
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。