論文の概要: RipBench: A Unified Benchmark for Multi-Level Rip Current Detection, Classification and Segmentation
- arxiv url: http://arxiv.org/abs/2611.15574v1
- Date: Wed, 11 Nov 2026 14:58:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.174443
- Title: RipBench: A Unified Benchmark for Multi-Level Rip Current Detection, Classification and Segmentation
- Title(参考訳): RipBench: マルチレベルリップ電流検出と分類,セグメンテーションのための統一ベンチマーク
- Abstract要約: RipBenchは、複数のタスクにまたがるリップ電流検出の評価を可能にする統一ベンチマークである。
その結果、粗い認識と正確な空間的理解の間に明らかな性能差が明らかとなった。
RipBenchは、ビーチ安全のための実世界のマルチタスクビジョンの進歩をサポートするために、https://RipBench.aiで公開されている。
- 参考スコア(独自算出の注目度): 56.30977678777441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rip currents are a serious and often under-addressed threat to beach safety and the leading cause of coastal drownings worldwide. They are difficult to detect due to their amorphous structure, similarity to the background, and large variability in viewpoints and environments. Despite their dangers and growing interest in automated detection, existing research remains fragmented across datasets, metrics, models, and approaches, leading to an incomplete understanding of model performance. We introduce RipBench, a unified benchmark that enables controlled evaluation of rip current detection spanning multiple tasks, including classification, axis-aligned and oriented object detection, and instance, semantic, and panoptic segmentation, on the same data with standardized splits. This allows direct comparison of model performance on all levels of visual abstraction. Across $304$ videos ($303{,}491$ frames, $51{,}011$ of them annotated for all six tasks) collected from diverse coastlines, our results expose a clear performance gap between coarse recognition and precise spatial understanding: frame-level classification reaches $F_2 = 0.93$, while the best detector and the best instance segmenter reach $0.72$ and $0.66$, with model rankings that change from task to task. Video-level confidence intervals, a blind inter-annotator study of the spatial labels, stratified analyses by viewpoint and visual signature, and video views with temporal baselines (single-seed, short-schedule reference runs) accompany the benchmark. All tasks are supported with carefully curated annotations and evaluated using standard metrics, with a focus on the $F_2$ score to emphasize recall in this safety-critical setting. RipBench, along with multiple baselines per task, is publicly available at https://RipBench.ai to support progress in real-world, multi-task vision for beach safety.
- Abstract(参考訳): リップ・カレントは深刻な脅威であり、ビーチの安全と世界中の沿岸での溺死の主な原因である。
アモルファスな構造、背景と類似性、視点や環境に大きな変動があるため、検出は困難である。
危険と自動検出への関心が高まっているにもかかわらず、既存の研究はデータセット、メトリクス、モデル、アプローチで断片化され、モデルパフォーマンスの不完全な理解につながっている。
リップベンチ(RipBench)は、複数のタスクにまたがるリップ電流検出の制御を可能にする統一ベンチマークで、分類、軸方向のオブジェクト指向オブジェクト検出、インスタンス、セマンティクス、およびパノプティックセグメンテーションを標準化された分割で同一データ上に導入する。
これにより、あらゆるレベルの視覚的抽象化におけるモデルパフォーマンスを直接比較できる。
さまざまな海岸線から収集された304$ビデオ(303{,}491$フレーム,51{,}011$)全体で、我々の結果は、粗い認識と正確な空間的理解の間に明確なパフォーマンスのギャップを露呈している:フレームレベルの分類はF_2 = 0.93$、最高の検出器と最良のインスタンスセグメンタは0.72$と0.66$、タスクからタスクへ変化するモデルランキングは0.72$である。
ビデオレベルの信頼区間、空間ラベルのブラインド・インターアノテータによる研究、視点と視覚的シグネチャによる階層化分析、および時間的ベースライン(単一シード、短セット参照実行)によるビデオビューは、ベンチマークに付随する。
すべてのタスクは慎重にキュレートされたアノテーションでサポートされ、標準メトリクスを使用して評価される。
RipBenchとタスク毎の複数のベースラインはhttps://RipBench.aiで公開されている。
関連論文リスト
- Beyond the Frame: Redundancy, Not Trajectory, Carries the Privacy Leak in Video Unlearning [4.62651212339117]
クラスアンラーニングは、除去されたカテゴリがデプロイされたモデルの出力から再構成されないことを保証することを目的としている。
2秒のクリップでモデルの出力フィールドを平均化する攻撃者は、評価したすべてのメソッドから忘れられたクラスを復元する。
回収可能な信号は、オブジェクトの軌跡ではなく、クロスフレームの冗長性に起因し、漏れを無傷に残すタイムシャッフル制御でこれを確立します。
論文 参考訳(メタデータ) (2026-10-20T10:24:33Z) - VLA-ReID: Video-Level Association for Re-Identification in Multi-Object Tracking with Highly Similar Objects [6.909117285273132]
マルチオブジェクトトラッキング(MOT)は、ビデオ内の複数のオブジェクトをローカライズし、そのアイデンティティを時間とともに保存することを目的としている。
既存のトラッカーは、単一インスタンス割り当てによって訓練された再識別(re-ID)モデルに依存している。
本稿では,ビデオレベルアソシエーションモデリングとしてre-IDを再構成するビデオレベルアソシエーション・リID(VLA-ReID)を提案する。
論文 参考訳(メタデータ) (2026-07-19T09:27:37Z) - Blind-Spots-Bench: Evaluating Blind Spots in Multimodal Models [4.652656670051718]
現代のAIモデルは、多くの確立されたベンチマークで強力なパフォーマンスを達成するが、人間にはほとんど簡単なタスクでは失敗する。
このベンチマークは、人間にはシンプルに見えるが、現代のAIには難しい課題であるようなタスクを通じて、このような盲点を露呈するように設計されている。
論文 参考訳(メタデータ) (2026-07-09T09:56:50Z) - NTIRE 2026 Rip Current Detection and Segmentation (RipDetSeg) Challenge Report [56.71155440372922]
リップ流は、世界中の海浜で多くの死者を生んでいる危険な近海流である。
この課題は、RipVISベンチマークに基づいて、検出とセグメンテーションの両方を評価する。
本報告では,データセット,課題プロトコル,評価手法,最終結果について述べるとともに,提案手法の主な知見を要約する。
論文 参考訳(メタデータ) (2026-04-18T17:09:52Z) - Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。
Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
論文 参考訳(メタデータ) (2026-02-27T07:36:32Z) - AIM 2025 Rip Current Segmentation (RipSeg) Challenge Report [97.46639062939211]
AIM 2025 RipSeg Challengeは、静止画像の自動リップ電流セグメンテーションの技術の進歩を目的として設計されている。
データセットはさまざまな場所、リップカレントタイプ、カメラの向きにまたがっており、現実的で挑戦的なベンチマークを提供する。
本報告では、データセットの詳細、競合フレームワーク、評価指標、最終結果について概説し、リップ電流セグメンテーションの現状に関する洞察を提供する。
論文 参考訳(メタデータ) (2025-08-18T23:34:56Z) - RipVIS: Rip Currents Video Instance Segmentation Benchmark for Beach Monitoring and Safety [57.243502132481176]
RipVISは、リップ電流セグメンテーション用に設計された大規模ビデオインスタンスセグメンテーションベンチマークである。
我々のデータセットは、波の破れパターン、堆積物の流れ、水色の変化など、様々な視覚的文脈を包含している。
結果は複数のメトリクスで報告され、特にリコールの優先順位付けと偽陰性の低減に$F$スコアに重点を置いている。
論文 参考訳(メタデータ) (2025-04-01T18:57:15Z) - Semi-Anchored Detector for One-Stage Object Detection [24.42034747738174]
標準の1段検出器は、分類と回帰の2つのタスクで構成されている。
ResNet-101をバックボーンとし、提案されたセミアンコール検出器はCOCOデータセット上で43.6%のmAPを達成する。
論文 参考訳(メタデータ) (2020-09-10T16:57:09Z)
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。