.png){kind=icon}
返回
High-Resolution Underwater Creature Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3633990.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
水下生物分割（UCS）对海洋研究和机器人技术至关重要，但其面临独特的挑战：环境失真和生物特性使其区别于陆地分割。尽管存在深度学习的进展，当前UCS模型受限于低分辨率输入，在处理高分辨率（HR）图像时会丢失关键细节并降低分割精度。为弥补这一差距，我们引入UCS4K，这是首个大规模HR水下生物分割数据集，包含4,096张带像素级标注的图像。UCS4K的平均分辨率比现有数据集高出4倍，涵盖了多样化的物种、栖息地及环境复杂性，这对模型的稳健训练至关重要。此外，我们提出了一种分辨率非对称双分支对齐与精化（RADAR）网络，以解决HR-UCS中的效率-响应性权衡问题。RADAR将上下文与细节处理分离：CNN分支保留HR空间细节，而Transformer分支在降采样输入上建模全局语义以避免二次复杂度。关键在于，它通过编码器中的全局语义对齐（GSA）模块和嵌入解码器的双向协同精化（BCR）模块解决分支间的固有语义错位问题，该模块逐步整合多尺度编码特征以锐化边界。这种非对称设计确保在保持空间精度的同时高效捕捉长距离上下文。广泛的基准测试表明，RADAR在UCS4K及其他现有数据集上实现了新的最佳性能。我们的贡献为水下生物分割建立了首个HR基准，并提供了一个可扩展的高精度分割框架。数据集、代码和模型可访问https://github.com/WHYfromNUT/RADAR。
Keyword:
Underwater creature segmentation
high resolution
dual-branch network
semantic alignment
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容