逆流电分割：新基准与YOLOv8基线结果
计算机视觉与模式识别
2025-04-04 v1 人工智能
摘要
逆流电是许多海滩上致命事故和伤害的主要原因，强调了自动检测这些危险表面水流的重要性。本文 addresses 一种新任务：逆流电实例分割。我们引入了一个包含 张图片的综合数据集，包含新创建的多边形注释，用于实例分割，用于训练和验证。此外，我们还提出了一个新的数据集，包含 个无人机视频（约 帧），以 FPS 的速度捕获，标注了用于实例分割的多边形和用于目标检测的边界框，用于测试目的。我们在静态图像上训练 various 版本的 YOLOv8 进行实例分割，并在测试数据集（视频）上对其性能进行评估。最佳结果由 YOLOv8-nano 模型实现（可在便携设备上运行），在验证数据集上的 mAP50 为 ，在测试数据集上的宏平均值为 。这些结果为未来的逆流电分割研究提供了基线。我们的工作通过引入详细的标注数据集和训练用于逆流电实例分割的深度学习模型来贡献于现有文献。代码、训练细节和标注数据均已在 https://github.com/Irikos/rip_currents 上公开。
引用
@article{arxiv.2504.02558,
title = {Rip Current Segmentation: A Novel Benchmark and YOLOv8 Baseline Results},
author = {Andrei Dumitriu and Florin Tatui and Florin Miron and Radu Tudor Ionescu and Radu Timofte},
journal= {arXiv preprint arXiv:2504.02558},
year = {2025}
}
备注
Accepted at CVPR 2023 NTIRE Workshop