克服水下鱼类分割中的标注瓶颈：一种鲁棒的自监督学习方法
计算机视觉与模式识别
2025-02-27 v2
摘要
因低能见度、多变光照与动态背景，水下视频中鱼类精确分割具挑战性，使需人工标注的全监督方法在许多应用中不切实际。本文引入一种基于深度学习的鱼类分割自监督学习新方法。我们的模型无需人工标注训练，通过对齐增强视图间特征并强制时空一致性，学习鲁棒且可泛化表示。我们在三个具挑战性水下视频数据集DeepFish、Seagrass与YouTube-VOS上展示其有效性，超越现有自监督方法，并在无需昂贵标注下达到与全监督方法可比的分割精度。模型在DeepFish上训练，在未见过的Seagrass与YouTube-VOS上展现强泛化与高分割精度。此外，得益于并行处理与高效锚采样技术，模型计算高效，适于实时应用与边缘设备部署。我们给出基于Jaccard指数与Dice系数的定量结果及定性比较，展现该方法在推动水下视频分析中的准确性、鲁棒性与高效性。
引用
@article{arxiv.2206.05390,
title = {Overcoming Annotation Bottlenecks in Underwater Fish Segmentation: A Robust Self-Supervised Learning Approach},
author = {Alzayat Saleh and Marcus Sheaves and Dean Jerry and Mostafa Rahimi Azghadi},
journal= {arXiv preprint arXiv:2206.05390},
year = {2025}
}
备注
11 pages, 7 figures. Published at Signal, Image and Video Processing journal