論文の概要: Deep learning for smart fish farming: applications, opportunities and challenges

• arxiv url: http://arxiv.org/abs/2004.11848v2
• Date: Tue, 30 Jun 2020 11:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 05:25:20.150623
• Title: Deep learning for smart fish farming: applications, opportunities and challenges
• Title（参考訳）: スマート魚養殖のための深層学習:応用, 機会, 課題
• Authors: Xinting Yang, Song Zhang, Jintao Liu, Qinfeng Gao, Shuanglin Dong, Chao Zhou
• Abstract要約: 深層学習(DL)技術は養殖など様々な分野で成功している。 本報告では, 生魚の識別, 種分類, 行動分析, 給餌意思決定, サイズ, バイオマス推定, 水質予測などの水生栽培におけるDLの適用について述べる。
• 参考スコア（独自算出の注目度）: 5.205205917768471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid emergence of deep learning (DL) technology, it has been successfully used in various fields including aquaculture. This change can create new opportunities and a series of challenges for information and data processing in smart fish farming. This paper focuses on the applications of DL in aquaculture, including live fish identification, species classification, behavioral analysis, feeding decision-making, size or biomass estimation, water quality prediction. In addition, the technical details of DL methods applied to smart fish farming are also analyzed, including data, algorithms, computing power, and performance. The results of this review show that the most significant contribution of DL is the ability to automatically extract features. However, challenges still exist; DL is still in an era of weak artificial intelligence. A large number of labeled data are needed for training, which has become a bottleneck restricting further DL applications in aquaculture. Nevertheless, DL still offers breakthroughs in the handling of complex data in aquaculture. In brief, our purpose is to provide researchers and practitioners with a better understanding of the current state of the art of DL in aquaculture, which can provide strong support for the implementation of smart fish farming.
• Abstract（参考訳）: 深層学習技術(DL)技術の急激な普及に伴い、水耕栽培など様々な分野において成功している。 この変化は、スマートフィッシュファームにおける情報とデータ処理の新たな機会と課題を生み出します。 本稿では,生物の識別,種分類,行動分析,摂餌意思決定,サイズやバイオマス推定,水質予測など,水産養殖におけるdlの応用について述べる。 さらに,データ,アルゴリズム,計算能力,性能など,スマート魚養殖に適用されるDL手法の技術的詳細も分析した。 本研究の結果から, DLの最も重要な貢献は, 自動的に特徴を抽出できることが示唆された。 しかし、DLは依然として弱い人工知能の時代にある。 トレーニングには大量のラベル付きデータが必要であり、水養におけるDLのさらなる適用を制限するボトルネックとなっている。 それでもDLは、アクアカルチャーにおける複雑なデータ処理のブレークスルーを提供し続けている。 本研究の目的は,水産栽培におけるDL技術の現状を研究者や実践者により深く理解し,スマート魚養殖の実践を支援することにある。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Deep Learning in Healthcare: An In-Depth Analysis [1.892561703051693]
  本稿では,Deep Learningモデルとそのバイオインフォマティクスおよび医療への応用について概説する。 また、DL研究の実施中に現われうるいくつかの重要な課題についても検討する。
  論文  参考訳（メタデータ） (2023-02-12T20:55:34Z)
• Applications of Deep Learning in Fish Habitat Monitoring: A Tutorial and Survey [1.9249287163937976]
  ディープラーニング(DL)は最先端のAI技術であり、ビジュアルデータを分析する上で前例のないパフォーマンスを示している。 本稿では,DLの重要な概念を網羅するチュートリアルを紹介し,DLの動作に関する高レベルな理解を支援する。 チュートリアルではまた、水中魚のモニタリングのような挑戦的な応用のために、DLアルゴリズムをどのように開発すべきかをステップバイステップで説明する。
  論文  参考訳（メタデータ） (2022-06-11T01:59:54Z)
• Computer Vision and Deep Learning for Fish Classification in Underwater Habitats: A Survey [2.363388546004777]
  海洋科学者は、水中のビデオ記録を使って、自然の生息地の魚種を調査します。 収集された膨大な量のビデオは、有用な情報を抽出し、人間にとって大変な作業と時間を要する。 ディープラーニング技術は、海洋科学者が大量のビデオを迅速かつ効率的に解析するのに役立つ。
  論文  参考訳（メタデータ） (2022-03-14T09:32:25Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Tuna Nutriment Tracking using Trajectory Mapping in Application to Aquaculture Fish Tank [0.0]
  タンク内の魚の状態を推定し、栄養素の量を調整することは、魚の給餌システムのコスト管理に重要な役割を担っている。 本手法は,養殖魚養殖場から採取したビデオの栄養状態の追跡に基づく。
  論文  参考訳（メタデータ） (2021-03-10T06:02:19Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)
• Knowledge Distillation: A Survey [87.51063304509067]
  ディープニューラルネットワークは、特にコンピュータビジョンタスクにおいて、産業と学術の両方で成功している。 リソースが限られているデバイスに、これらの面倒なディープモデルをデプロイすることは難しい。 知識蒸留は、大きな教師モデルから小さな学生モデルを効果的に学習する。
  論文  参考訳（メタデータ） (2020-06-09T21:47:17Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。