論文の概要: The Fishnet Open Images Database: A Dataset for Fish Detection and
Fine-Grained Categorization in Fisheries
- arxiv url: http://arxiv.org/abs/2106.09178v1
- Date: Wed, 16 Jun 2021 23:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 16:05:28.928539
- Title: The Fishnet Open Images Database: A Dataset for Fish Detection and
Fine-Grained Categorization in Fisheries
- Title(参考訳): Fishnet Open Images Database:漁業における魚検出と細粒度分類のためのデータセット
- Authors: Justin Kay and Matt Merrifield
- Abstract要約: 商業漁船における魚の発見と細粒度分類の大規模データセットである魚網オープン画像データベースについて述べる。
データセットは、34のオブジェクトクラスを含む86,029の画像で構成されており、これまでで最大かつ最も多様な水産EM画像の公開データセットとなっている。
我々は,既存の検出・分類アルゴリズムの性能を評価し,そのデータセットが漁業におけるコンピュータビジョンアルゴリズム開発のための挑戦的なベンチマークとなることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera-based electronic monitoring (EM) systems are increasingly being
deployed onboard commercial fishing vessels to collect essential data for
fisheries management and regulation. These systems generate large quantities of
video data which must be reviewed on land by human experts. Computer vision can
assist this process by automatically detecting and classifying fish species,
however the lack of existing public data in this domain has hindered progress.
To address this, we present the Fishnet Open Images Database, a large dataset
of EM imagery for fish detection and fine-grained categorization onboard
commercial fishing vessels. The dataset consists of 86,029 images containing 34
object classes, making it the largest and most diverse public dataset of
fisheries EM imagery to-date. It includes many of the characteristic challenges
of EM data: visual similarity between species, skewed class distributions,
harsh weather conditions, and chaotic crew activity. We evaluate the
performance of existing detection and classification algorithms and demonstrate
that the dataset can serve as a challenging benchmark for development of
computer vision algorithms in fisheries. The dataset is available at
https://www.fishnet.ai/.
- Abstract(参考訳): カメラベースの電子監視(EM)システムは、漁業管理と規制のための重要なデータを集めるために、商業漁船にますます配備されている。
これらのシステムは大量のビデオデータを生成し、人間の専門家が土地でレビューする必要がある。
コンピュータビジョンは魚の種を自動的に検出し分類することでこのプロセスを支援することができるが、この領域に既存の公共データがないことが進歩を妨げている。
そこで本研究では,商業漁船における魚検出と細粒度分類のためのEM画像の大規模なデータセットである魚網オープン画像データベースを提案する。
データセットは、34のオブジェクトクラスを含む86,029の画像で構成されており、これまでで最大かつ最も多様な水産EM画像の公開データセットとなっている。
EMデータの特徴として、種間の視覚的類似性、スクイードクラスの分布、厳しい気象条件、カオスな乗組員の活動などが含まれる。
既存の検出・分類アルゴリズムの性能を評価し,漁業におけるコンピュータビジョンアルゴリズムの開発において,データセットが挑戦的なベンチマークとなることを示す。
データセットはhttps://www.fishnet.ai/で入手できる。
関連論文リスト
- The FathomNet2023 Competition Dataset [0.8180522890142969]
海洋科学者は、何十年にもわたって海洋生物を研究するために、視覚データを収集してきた。
これらのデータを自動的に処理するツールもあるが、サンプル集団の極端な変動を処理できるツールは存在しない。
画像やビデオのシーケンスが新しい生物、珍しい動物のコレクションを含むことを認識できるモデルや、そうでなければ海中の視覚データを完全に活用することが重要である。
論文 参考訳(メタデータ) (2023-07-17T18:50:53Z) - A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and
Ground Truth [61.90504318229845]
本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。
このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。
このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
論文 参考訳(メタデータ) (2022-06-13T19:14:06Z) - xView3-SAR: Detecting Dark Fishing Activity Using Synthetic Aperture
Radar Imagery [52.67592123500567]
世界の漁業は海洋資源や生態系に大きな脅威をもたらす。
夜間または夜間、全天候下で暗黒船の自動検出が可能となった。
xView3-SARは、Sentinel-1ミッションから得られた1000近い分析可能なSAR画像で構成されている。
論文 参考訳(メタデータ) (2022-06-02T06:53:45Z) - A Survey of Fish Tracking Techniques Based on Computer Vision [11.994865945394139]
本稿では,過去7年間の魚類追跡技術の進歩を概観する。
基本的位置決めと追跡方法に重点を置き、多様な魚の追跡手法を探求する。
また、オープンソースのデータセット、評価指標、課題、魚の追跡研究への応用についても要約している。
論文 参考訳(メタデータ) (2021-10-06T07:46:35Z) - Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。
高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。
このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文 参考訳(メタデータ) (2021-05-27T23:34:06Z) - Video-based Hierarchical Species Classification for Longline Fishing
Monitoring [17.031967273526803]
ビデオに基づく階層的な分類は、安価で効率的な魚種識別を可能にしている。
漁業科学者が提供した非重なりのない階層型データ構造により,本手法は階層型データ構造を強制する。
実験の結果,提案手法は古典的フラット分類システムよりも優れていた。
論文 参考訳(メタデータ) (2021-02-06T06:10:52Z) - 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 Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater
Visual Analysis [2.6476746128312194]
我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。
このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。
実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
論文 参考訳(メタデータ) (2020-08-28T12:20:59Z) - Temperate Fish Detection and Classification: a Deep Learning based
Approach [6.282069822653608]
本研究では,2段階の深層学習手法を提案する。
最初のステップは、種や性別によらず、画像中の各魚を検出することです。
第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
論文 参考訳(メタデータ) (2020-05-14T12:40:57Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳(メタデータ) (2020-02-05T21:38:57Z) - GraspNet: A Large-Scale Clustered and Densely Annotated Dataset for
Object Grasping [49.777649953381676]
我々は,統合評価システムを用いた大規模グリップポーズ検出データセットに貢献する。
データセットには87,040枚のRGBD画像と3億7000万枚以上のグリップポーズが含まれている。
論文 参考訳(メタデータ) (2019-12-31T18:15:11Z)
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。