論文の概要: LSENet: Location and Seasonality Enhanced Network for Multi-Class Ocean Front Detection

• arxiv url: http://arxiv.org/abs/2108.02455v1
• Date: Thu, 5 Aug 2021 08:40:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 14:55:08.039294
• Title: LSENet: Location and Seasonality Enhanced Network for Multi-Class Ocean Front Detection
• Title（参考訳）: LSENet:マルチクラスオーシャンフロント検出のための位置と季節拡張ネットワーク
• Authors: Cui Xie, Hao Guo, Junyu Dong
• Abstract要約: 海洋前線は栄養素の蓄積を引き起こし、水中の音の伝搬に影響を与える可能性がある。 現在の海洋前線検出法は、検出精度が低いか、ほとんどの場合、二分法で海洋前線の発生を検出できない。 本稿では,LSENetと呼ばれるセマンティックセグメンテーションネットワークを提案する。
• 参考スコア（独自算出の注目度）: 22.86716538369453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ocean fronts can cause the accumulation of nutrients and affect the propagation of underwater sound, so high-precision ocean front detection is of great significance to the marine fishery and national defense fields. However, the current ocean front detection methods either have low detection accuracy or most can only detect the occurrence of ocean front by binary classification, rarely considering the differences of the characteristics of multiple ocean fronts in different sea areas. In order to solve the above problems, we propose a semantic segmentation network called location and seasonality enhanced network (LSENet) for multi-class ocean fronts detection at pixel level. In this network, we first design a channel supervision unit structure, which integrates the seasonal characteristics of the ocean front itself and the contextual information to improve the detection accuracy. We also introduce a location attention mechanism to adaptively assign attention weights to the fronts according to their frequently occurred sea area, which can further improve the accuracy of multi-class ocean front detection. Compared with other semantic segmentation methods and current representative ocean front detection method, the experimental results demonstrate convincingly that our method is more effective.
• Abstract（参考訳）: 海洋フロントは栄養素の蓄積を招き、水中音の伝搬に影響を及ぼす可能性があるため、海洋フロント検出は海洋漁業や国防分野にとって非常に重要である。 しかし、現在の海面検出法は、検出精度が低いか、あるいは二分分類で海面の発生のみを検出できるため、異なる海域における複数の海面の特徴の違いを考慮することは稀である。 上記の問題を解決するために,画素レベルでのマルチクラス海面検出のための位置・季節性拡張ネットワーク (LSENet) と呼ばれるセグメンテーションネットワークを提案する。 本ネットワークでは,まず,海面自体の季節特性と文脈情報を統合し,検出精度を向上させるチャネル監視ユニット構造を設計する。 また,頻発する海域に応じて,海面に注意重みを適応的に割り当てる位置注意機構を導入し,多級海面検出の精度をさらに向上させる。 他のセマンティックセグメンテーション法や現在の代表的海洋前面検出法と比較して,本手法の方が有効であることを示す。

関連論文リスト

• Efficient Multi-branch Segmentation Network for Situation Awareness in Autonomous Navigation [0.0]
  この研究は、海上の港湾環境でUSVや無人航空機から視点を捉えたデータセットを構築した。 統計的解析により、海と空の分布と行の位置情報の間に高い相関が示された。 列位置符号化モジュール(RPEM)を用いた3分岐セマンティックセマンティックセマンティクスネットワークを提案し,海と空の間の予測精度を向上した。
  論文  参考訳（メタデータ） (2024-03-30T13:38:07Z)
• AMANet: Advancing SAR Ship Detection with Adaptive Multi-Hierarchical Attention Network [0.5437298646956507]
  適応型多階層型アテンションモジュール (AMAM) を提案する。 まず,隣り合う特徴層からの情報を融合して,より小さなターゲットの検出を強化し,マルチスケールな特徴強調を実現する。 第3に,AMAMをバックボーンネットワークと特徴ピラミッドネットワークに埋め込むことにより,適応型多階層アテンションネットワーク(AMANet)を提案する。
  論文  参考訳（メタデータ） (2024-01-24T03:56:33Z)
• Zone Evaluation: Revealing Spatial Bias in Object Detection [69.59295428233844]
  物体検出器の基本的限界は、それらが「空間バイアス」に苦しむことである。 本稿では,ゾーン間の検出性能を計測する新しいゾーン評価プロトコルを提案する。 初めて数値的な結果が得られ、対象検出器はゾーンにわたって非常に不均一に機能することを示した。
  論文  参考訳（メタデータ） (2023-10-20T01:44:49Z)
• 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)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• Semantic Segmentation of Radar Detections using Convolutions on Point Clouds [59.45414406974091]
  本稿では,レーダ検出を点雲に展開する深層学習手法を提案する。 このアルゴリズムは、距離依存クラスタリングと入力点雲の事前処理により、レーダ固有の特性に適応する。 我々のネットワークは、レーダポイント雲のセマンティックセグメンテーションのタスクにおいて、PointNet++に基づく最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-05-22T07:09:35Z)
• Automatized marine vessel monitoring from sentinel-1 data using convolution neural network [0.0]
  本稿では,ウェーブレット変換に基づく畳み込みニューラルネットワークによるSAR画像からの物体認識手法を提案する。 Sentinel-1 SAR-Cによるインド西部沿岸域の二重分極データ取得を含む。
  論文  参考訳（メタデータ） (2023-04-23T18:09:44Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• Cyber-resilience for marine navigation by information fusion and change detection [1.7205106391379026]
  サイバーレジリエンスは、海洋船の自律航法ソリューションの開発において、ますます関心が高まりつつある。 本稿では,3つのエッジを持つプリズムを通した海洋航法におけるサイバーレジリエンス特性について検討する。 沿岸航法に用いるセンサ信号の診断と緩和のための2段階推定器を提案する。
  論文  参考訳（メタデータ） (2022-02-01T12:56:02Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• HED-UNet: Combined Segmentation and Edge Detection for Monitoring the Antarctic Coastline [14.235722825330493]
  深層学習モデルにおける海岸線検出のための2つのアプローチを結合する新しいモデルを考案した。 複数の解像度でサイド予測を深く監視し、トレーニングを効率化します。 このアプローチの実装はurlhttps://github.com/kr/HED-UNetで公開されている。
  論文  参考訳（メタデータ） (2021-03-02T16:35:05Z)

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。