RipVIS：海滩监测与安全用的潮流视频实例分割基准

潮流是强大的、局部且狭窄的水流，向海外流出，导致全球范围内众多海滩相关伤害和死亡。准确识别潮流仍具有挑战性，原因在于其无定形特征以及缺乏标注数据，这往往需要专家知识。为此，我们提出RipVIS，一个大规模视频实例分割基准，专为潮流分割设计。RipVIS的规模是以前数据集的数量级，包含184个视频（212,328帧），其中150个视频（163,528帧）包含潮流，数据来源多样，包括无人机、手机和固定海滩摄像机。该数据集涵盖多种视觉背景，如波浪破浪模式、沉积物流动和水色变化，遍布全球多个地点，包括美国、墨西哥、哥斯达黎加、葡萄牙、意大利、希腊、罗马尼亚、斯里兰卡、澳大利亚和新西兰。大多数视频以5 FPS进行标注，以确保动态场景下的准确性，另外还有34个视频（48,800帧）不包含潮流。我们对Mask R-CNN、Cascade Mask R-CNN、SparseInst和YOLO11进行了全面实验，针对潮流分割对这些模型进行微调。结果以多种指标报告，特别关注F2得分，以优先考虑召回率并减少假阴性。为提高分割性能，我们引入基于Temporal Confidence Aggregation (TCA) 的后处理步骤。RipVIS旨在为潮流分割设定新的标准，促进更安全的海滩环境。我们提供一个基准网站与研究社区共享数据、模型和结果，鼓励持续合作和未来贡献，网址为 https://ripvis.ai。