MMAug, 2021

一种重点关注边界的水下图像语义分割方法及真实水下场景语义分割数据集

PDF
TL;DR为了提高水下抓取效率，我们标记并建立了第一个真实场景的水下语义分割数据集 (DUT-USEG:DUT Underwater Segmentation Dataset)，并基于此数据集提出了一个重点关注边界的半监督水下语义分割网络 (US-Net: Underwater Segmentation Network)，通过设计伪标签生成器和检测子网，实现了水下物体与背景之间边界的精细学习，并改善了边缘区域的分割效果，实验表明该方法在 DUT-USEG 数据集中的三类动物物种 (海葵，海胆和海星) 上提高了 6.7％的性能，达到了最先进的结果。
underwater object recognitionunderwater segmentation datasetsemi-supervised networkboundary detectionfine learning
发现论文，激发创造
  • 水下图像的语义分割：数据集与基准测试

    本文介绍了第一个大规模的海底图像语义分割数据集 SUIM，包含八个对象类别的 1500 多张图像像素注释，并介绍一个性能和计算效率平衡的全卷积编码解码模型 SUIM-Net 以及其在海底机器人视觉引导方面的应用。

    Apr, 2020

  • 机器人拾取水下物体检测数据集和基准

    通过引入数据集 DUO 和相应的基准，我们解决了测试集注释缺乏、数据集存在其他缺陷和没有统一基准等几个挑战，这可用于学术研究和实际工业应用中对 SOTAs（使用 MMDtection 框架）进行效率和准确率的指标评估，并使用 JETSON AGX XAVIER 来评估探测器速度以模拟机器人嵌入式环境。

    Jun, 2021

  • CaveSeg：自主水下洞穴探索的深度语义分割和场景分析

    本研究介绍了 CaveSeg，这是一种针对水下洞穴中 AUV 导航的语义分割和场景解析的视觉学习方法。通过准备全面的水下洞穴场景语义分割数据集，解决了标注有限的训练数据的问题。通过在美国、墨西哥和西班牙的洞穴系统上进行全面的基准分析，展示了 CaveSeg 可以基于深度视觉模型实现快速的水下洞穴场景解析，并开辟了自主水下洞穴探索和绘制地图的未来研究机会。

    Sep, 2023

  • 探索水下世界：水下显著实例分割引导的分割任意模型和大规模数据集

    我们提出了一种在水下领域应用特定的 Segment Anything Model (USIS-SAM) 的水下显著实例分割架构，通过引入水下领域视觉提示和自动生成显著提示器，我们的方法在 USIS10K 数据集上取得了卓越性能。

    Jun, 2024

  • 水下图像增强基准数据集及其拓展

    本文通过对海底图像进行感知研究来评估现有算法在实际数据中的表现，并提出了一个海底图像增强基准 (UIEB) 数据集，包括 950 张真实图像以及涉及卷积神经网络的算法，以此来评估现有算法的性能和局限性。

    Jan, 2019

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 半监督水下图像目标检测算法

    利用变分自动编码器的半监督方法来检测水下无人潜水器收集的人工物体图像， 通过数据聚类和异常分数提取技术，能够大规模地识别感兴趣的物体的候选样本，并在未标记的数据集上实现了平均精度为 0.64 的识别

    Jun, 2023

  • 边缘引导的水下物体检测表征学习

    本研究提出了使用边缘信息指导的表征学习网络 ERL-Net，该网络包括边缘指导的 attention 模块和特征聚合模块，以及一种宽而不对称的感受野块，用于改进水下物体检测中的低对比度、小目标的识别。实验证明，该方法在三个挑战性的水下数据集上均取得了优异的表现。

    Jun, 2023

  • 提升水下视觉跟踪的方法与大规模数据集以及图像增强

    该论文介绍了一种用于水下视觉对象跟踪（UVOT）的新数据集和通用跟踪器增强方法。论文提出了一种新颖的水下图像增强算法，针对水下环境提供了显著的性能提升，并引入了一个大规模的 UVOT 基准数据集，其中包含 400 个视频片段和 275,000 个手动注释的帧，用于深度跟踪器的水下训练和评估。

    Aug, 2023

  • 水下场景中增强和目标检测的联合知觉学习

    我们提出了一个双层优化方法，用于共同学习水下物体检测和图像增强，并将其展开为一个双重感知网络（DPNet）。DPNet 通过一个共享模块和两个任务子网络从两个不同任务中学习，寻求共享表示。共享表示为图像增强提供更多结构细节和物体检测提供丰富的内容信息。通过广泛的实验，我们的方法在实际和合成水下数据集上展示出对视觉的青睐以及更高的检测准确性。

    Jul, 2023