新数据筛选管线大幅削减游艇视频标注量并提升检测精度
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对缺乏可靠云台参数的历史海事视频，本研究提出端到端的数据筛选管线，用于特定场景的船舶检测。该方案利用SuperPoint与LightGlue将帧定位至参考全景图，融入气象及光照信息，并通过多样性采样保留视角与环境差异；针对地平线附近的远距离船只，采用视觉嵌入与高斯混合模型聚类进行二次补充。在CMMI MDigi-I智慧游艇测试台中，该管线将40718个候选帧缩减至220张待标注图像，削减率达99.5%。基于此子集微调的YOLO26-m检测器，在五折交叉验证下取得94.78%的mAP50及75.10%的mAP50-95。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载端到端数据筛选管线
针对缺乏可靠云台参数的历史海事视频，该管线旨在构建紧凑且具备场景多样性的训练集。首先，利用SuperPoint与LightGlue算法将视频帧定位至参考全景图上，恢复相机视角信息。随后，为这些帧补充天气与太阳状态等环境上下文元数据，并通过多样性采样策略，确保所选子集在相机视角与环境条件上保持丰富差异，从而避免冗余。
远距离船只样本补充
由于地平线附近的远距离船只通常在常规采样中代表性不足，管线设计了第二阶段上下文感知机制。该阶段利用分块级别的视觉嵌入，结合高斯混合模型聚类，专门针对这些难以捕捉的远距离船只案例进行定向筛选，确保训练集对远距离小目标的覆盖能力。
实验验证与性能表现
该方案在CMMI MDigi-I智慧游艇测试台中应用，将原本高达40718个的候选帧大幅缩减至仅需220张图像进行人工标注，对应99.5%的标注量削减。在此精简子集上微调的YOLO26-m检测器，经过序列分组的五折交叉验证，平均精度均值mAP50达到94.78%正负0.51%，mAP50-95达到75.10%正负1.73%，证实了高冗余视频流转化为高效训练集的可行性。
为什么值得看
以99.5%的标注量削减实现超94%的检测精度，为高冗余监控视频的高效数据集构建提供可行方案。
微调
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。