論文の概要: TERA: Task-Evidence Restoration for Underwater Object Detection under Bandwidth-Constrained Transmission

• arxiv url: http://arxiv.org/abs/2611.02419v1
• Date: Mon, 02 Nov 2026 02:41:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:14:14.700103
• Title: TERA: Task-Evidence Restoration for Underwater Object Detection under Bandwidth-Constrained Transmission
• Title（参考訳）: TERA:帯域制限伝送下における水中物体検出のためのタスクエビデンス復元
• Abstract要約: AquaTX(AquaTX)は、実際の水中検出データセットから構築された、観測および保持されたコーデックのベンチマークである。 また,タスク誘導型画素復元と二重状態特徴補正を組み合わせたメタデータブラインド型受信側フレームワークであるTERAを提案する。 これらの知見は,水中物体検出のための伝達認識評価とタスク誘導修復を支援する。
• 参考スコア（独自算出の注目度）: 9.157789592073026
• License:
• Abstract: Underwater object detectors are typically evaluated on pre-transmission images, overlooking additional degradation from bandwidth-constrained downscaling and compression. We introduce AquaTX, a controlled benchmark built from real underwater detection datasets with seen and held-out codecs. We also propose TERA, a metadata-blind receiver-side framework combining task-guided pixel restoration and dual-state feature correction while keeping the detector frozen. Under seen compound degradation, TERA improves mean average precision (mAP50:95, averaged over IoU thresholds from 0.50 to 0.95) from 37.7 to 50.0 on DUO-TX and from 31.5 to 41.3 on RUOD-TX relative to the frozen detector without restoration. TERA also preserves clean-input performance and remains competitive with detector fine-tuning under the held-out AVIF codec. These findings support transmission-aware evaluation and task-guided restoration for underwater object detection. Code is available at https://github.com/hijinkim/TERA.
• Abstract（参考訳）: 水中物体検出器は通常、伝送前画像に基づいて評価され、帯域制限によるダウンスケーリングと圧縮によるさらなる劣化を見落としている。 AquaTXは、実際の水中検出データセットから構築された制御されたベンチマークで、目に見えるコーデックとホールドアウトされたコーデックを紹介する。 また,照準器の凍結を保ちながら,タスク誘導型画素復元と二重状態特徴補正を組み合わせたメタデータブラインド受信側フレームワークであるTERAを提案する。 複合劣化により、TERAは平均平均精度(mAP50:95)をDUO-TXでは37.7から50.0、RUOD-TXでは31.5から41.3に改善した。 TERAはクリーンインプットの性能も保ち、AVIFコーデック下での検出器の微調整と競争力を維持している。 これらの知見は,水中物体検出のための伝達認識評価とタスク誘導修復を支援する。 コードはhttps://github.com/hijinkim/TERA.comで入手できる。

関連論文リスト

• Embedded Bi-Temporal Building Damage Assessment for On-Board Data Reduction [0.0]
  自然災害後の建物被害の迅速評価は緊急対応に不可欠である。 エクスプロイトは、アップリンクとダウンリンク容量と、地上処理のレイテンシによって制限される。 本研究は,YOLOX 由来のシアメーゼ検出器上に構築した2 時間建物損傷評価パイプラインを用いて,この問題に対処する。
  論文  参考訳（メタデータ） (2026-09-29T08:34:00Z)
• Odometry-Aided Real-Time Mapping for Underwater Robots Using Forward-Looking Sonar [51.8931180857129]
  前向きソナー(FLS)のリアルタイムマッピングは、未解決の目標高度、空間的に一様でないノイズ、断片化された目標境界のため、依然として困難である。 本稿では,高速フーリエ変換(FFT)に基づくデノイング,高速マルチスケール定数偽アラームレート(MCFAR)検出,勾配適応境界接続を組み合わせたケースケード型特徴再構成パイプラインを提案する。 3m×5mプールにおける実験では,3列に3cm未満のルート平均二乗誤差(RMSE)とフレーム平均処理時間42.4msのセンチスケール平面マッピング精度が示された。
  論文  参考訳（メタデータ） (2026-09-21T07:10:04Z)
• Rethinking Conditional Generation for Underwater Salient Object Detection [69.38806804258452]
  コンディショナル・ジェネレーション・ネットワーク(DCGNet)は、水中のサリエンシ生成のための信頼性の高いコンディショナル・特徴を構築するために設計されている。 DCGNetは既存の最先端手法を著しく上回り、複雑な水中視覚応用の可能性を検証している。
  論文  参考訳（メタデータ） (2026-07-02T07:48:06Z)
• Efficient On-Board Processing of Oblique UAV Video for Rapid Flood Extent Mapping [7.460695517551536]
  TTR(Temporal Token Reuse)は、組み込みデバイス上でビデオセグメンテーションを高速化する適応型推論フレームワークである。 我々は,TTRがセグメンテーション精度(0.5% mIoU)の劣化を無視して,推論遅延の30%低減を実現していることを示す。 これらの結果から,TTRは運用フロンティアを効果的にシフトさせ,高忠実でリアルタイムな斜めビデオ理解を可能にすることが確認された。
  論文  参考訳（メタデータ） (2026-01-16T13:41:56Z)
• Superpowering Open-Vocabulary Object Detectors for X-ray Vision [52.22062383117114]
  オープンボキャブラリオブジェクト検出(OvOD)は、X線スキャンで任意のアイテムを認識できるようにすることで、セキュリティスクリーニングに革命をもたらす。 RAXOは市販のRGB OvOD検出器を高強度X線検出に活用するフレームワークである。 RAXOはデュアルソース検索戦略を用いて高品質なX線クラス記述子を構築する。
  論文  参考訳（メタデータ） (2025-03-21T11:54:16Z)
• U-DECN: End-to-End Underwater Object Detection ConvNet with Improved DeNoising Training [9.116529576078237]
  水中カラーキャストノイズに対する脱雑音訓練(U-DECN)を改良した水中DECを提案する。 われわれのU-DECNはResNet-50のバックボーンで、DUOで64.0 AP、RUODで58.1 AP、NVIDIA AGX Orin byRT FP16で21 FPS(Deformable DETRとDINO 4 FPSより5倍速い)を達成した。
  論文  参考訳（メタデータ） (2024-08-11T14:11:45Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)

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。