論文の概要: DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic
Using Deep Visual Models
- arxiv url: http://arxiv.org/abs/2105.01882v1
- Date: Wed, 5 May 2021 06:04:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 19:26:22.401556
- Title: DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic
Using Deep Visual Models
- Title（参考訳）: DeepPlastic: 深部視覚モデルを用いたエピラグ境界プラスチック検出のための新しいアプローチ
- Authors: Gautam Tata, Sarah-Jeanne Royer, Olivier Poirion and Jay Lowe
- Abstract要約: 現在、浮遊プラスチックを定量化する最も一般的な監視方法は、マンタトロールの使用が必要です。
分析前の物理的除去の必要性は、コストが高く、リアルタイムの海洋プラスチックモニタリングサービスのスケーラブルな展開を妨げる集中的な労力を必要とします。
本研究では,海表層内で撮影した画像をインプットとして利用する,高度にスケーラブルなワークフローを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quantification of positively buoyant marine plastic debris is critical to
understanding how concentrations of trash from across the world's ocean and
identifying high concentration garbage hotspots in dire need of trash removal.
Currently, the most common monitoring method to quantify floating plastic
requires the use of a manta trawl. Techniques requiring manta trawls (or
similar surface collection devices) utilize physical removal of marine plastic
debris as the first step and then analyze collected samples as a second step.
The need for physical removal before analysis incurs high costs and requires
intensive labor preventing scalable deployment of a real-time marine plastic
monitoring service across the entirety of Earth's ocean bodies. Without better
monitoring and sampling methods, the total impact of plastic pollution on the
environment as a whole, and details of impact within specific oceanic regions,
will remain unknown. This study presents a highly scalable workflow that
utilizes images captured within the epipelagic layer of the ocean as an input.
It produces real-time quantification of marine plastic debris for accurate
quantification and physical removal. The workflow includes creating and
preprocessing a domain-specific dataset, building an object detection model
utilizing a deep neural network, and evaluating the model's performance.
YOLOv5-S was the best performing model, which operates at a Mean Average
Precision (mAP) of 0.851 and an F1-Score of 0.89 while maintaining
near-real-time speed.
- Abstract（参考訳）: 正に浮力のある海洋プラスチックごみの定量化は, 世界の海中のゴミの濃度の把握や, 高濃度のごみホットスポットの同定に重要である。
現在、浮遊プラスチックを定量化する最も一般的なモニタリング方法は、マンタトロールを使用する必要がある。
マンタトラウルス(または同様の表面回収装置)を必要とする技術は、海洋プラスチックの破片の物理的除去を第1ステップとして利用し、収集されたサンプルを第2ステップとして分析する。
分析前の物理的な除去の必要性は、高いコストを伴い、地球の海洋体全体にわたってリアルタイムの海洋プラスチック監視サービスをスケーラブルに展開することを妨げる、集中的な労働を必要とする。
より良いモニタリングとサンプリング方法がなければ、環境全体に対するプラスチック汚染の全体的な影響や、特定の海洋地域における影響の詳細は未知のままである。
本研究では,海洋表層で撮影された画像を入力として利用する,高度にスケーラブルなワークフローを提案する。
正確な定量化と物理的除去のために海洋プラスチックのリアルタイム定量化を行う。
ワークフローには、ドメイン固有のデータセットの作成と前処理、ディープニューラルネットワークを利用したオブジェクト検出モデルの構築、モデルのパフォーマンス評価が含まれる。
YOLOv5-Sは平均平均精度0.851、F1スコア0.89で動作し、ほぼリアルタイム速度を維持した。
関連論文リスト
- A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳（メタデータ） (2023-11-27T07:19:41Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Implementing Edge Based Object Detection For Microplastic Debris [0.0]
プラスチックは、我々の日々の活動に欠かせない存在として自制している。
プラスチックの破片レベルは、埋立地のゴミ処理場に廃棄物が蓄積されるにつれて上昇し続けている。
このプロジェクトでは、サンプル画像の時間的検出で実行可能なモデルを生成することができる。
論文 参考訳（メタデータ） (2023-07-30T17:55:03Z) - A Vision for Cleaner Rivers: Harnessing Snapshot Hyperspectral Imaging
to Detect Macro-Plastic Litter [6.198237241838559]
大量のプラスチック廃棄物が内陸から海へと輸送され、地球規模で浮かぶ破片田の問題に繋がる。
河川のようなシナリオにおける計算画像を用いたマクロプラスチックごみ検出の可能性について解析する。
論文 参考訳（メタデータ） (2023-07-22T18:59:27Z) - Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2 [3.6842260407632903]
海洋汚染を定量化するための努力は、しばしば粗末で高価な海岸調査によって行われる。
沿岸地域の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出するために利用することができる。
本稿では, 深部セグメンテーションモデル上に構築された海洋破片検出装置について述べる。
論文 参考訳（メタデータ） (2023-07-05T17:38:48Z) - PLASTIC: Improving Input and Label Plasticity for Sample Efficient
Reinforcement Learning [54.409634256153154]
強化学習(RL)では, サンプル効率の向上が重要である。
原則として、非政治的なRLアルゴリズムは、環境相互作用毎に複数の更新を可能にすることで、サンプル効率を向上させることができる。
本研究は, この現象の原因を, 塑性を2つの側面に分けて検討した。
論文 参考訳（メタデータ） (2023-06-19T06:14:51Z) - Optimized Custom Dataset for Efficient Detection of Underwater Trash [3.2634122554914002]
本報告では, 海底破砕物に対するカスタムデータセットの開発と効率的な検出手法を提案する。
データセットは多様な水中環境を含み、デブリのインスタンスの正確なラベル付けのためのアノテーションが組み込まれている。
このカスタムデータセットの主な目的は、最先端のディープラーニングアーキテクチャを活用することで、リッターインスタンスの多様性を高め、深海環境における検出精度を向上させることである。
論文 参考訳（メタデータ） (2023-05-25T20:28:04Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。
このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。
最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
論文 参考訳（メタデータ） (2021-06-04T22:17:09Z) - Detection of marine floating plastic using Sentinel-2 imagery and
machine learning models [1.462434043267217]
本研究の目的は, 浮遊プラスチックの破片の検出・分類を行うために, センチネル衛星データとMLモデルのオープンな機能について検討することであった。
ギリシャのミティレネとキプロスのリマソールでプラスティックの位置データが収集され、同じことがモデルの訓練のために検討された。
最適性能モデルを用いて、キャラブリアとベイルートで自動浮遊プラスチック検出システムを開発し、試験した。
論文 参考訳（メタデータ） (2021-05-27T20:24:30Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z)
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。