論文の概要: Is the use of Deep Learning and Artificial Intelligence an appropriate means to locate debris in the ocean without harming aquatic wildlife?

• arxiv url: http://arxiv.org/abs/2112.00190v1
• Date: Wed, 1 Dec 2021 00:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 03:43:58.813626
• Title: Is the use of Deep Learning and Artificial Intelligence an appropriate means to locate debris in the ocean without harming aquatic wildlife?
• Title（参考訳）: 深層学習と人工知能は、水生生物を傷つけることなく海洋の破片を見つけるための適切な手段か?
• Authors: Zoe Moorton, Zeyneb Kurt, Wai Lok Woo
• Abstract要約: 本研究の目的は,深層学習が海洋生物と人工破片の水中での識別に有効であるかどうかを評価することである。 目的は、水生生態系の微妙なバランスを損なうことなく、人工知能で安全に海洋を浄化できるかどうかを見つけることである。
• 参考スコア（独自算出の注目度）: 3.0478504236139528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the global issue of plastic debris ever expanding, it is about time that the technology industry stepped in. This study aims to assess whether deep learning can successfully distinguish between marine life and man-made debris underwater. The aim is to find if we are safely able to clean up our oceans with Artificial Intelligence without disrupting the delicate balance of the aquatic ecosystems. The research explores the use of Convolutional Neural Networks from the perspective of protecting the ecosystem, rather than primarily collecting rubbish. We did this by building a custom-built, deep learning model, with an original database including 1,644 underwater images and used a binary classification to sort synthesised material from aquatic life. We concluded that although it is possible to safely distinguish between debris and life, further exploration with a larger database and stronger CNN structure has the potential for much more promising results.
• Abstract（参考訳）: プラスチックの破片が世界規模で拡大する中で、テクノロジー業界が参入する時が来た。 本研究の目的は,深層学習が海洋生物と人工破片の水中での識別に有効かどうかを評価することである。 目的は、水生生態系の微妙なバランスを損なうことなく、人工知能で安全に海洋を浄化できるかどうかを見つけることである。 この研究は、主にゴミを集めるのではなく、生態系を保護する観点から、畳み込みニューラルネットワークの使用を探求している。 我々は,水生生物から合成物質を分類するために,1,644個の水中画像を含む独自のデータベースを用いて,カスタマイズされた深層学習モデルを構築した。 我々は、破片と生命を安全に区別することは可能だが、より大きなデータベースと強いcnn構造によるさらなる探索は、より有望な結果をもたらす可能性があると結論付けた。

関連論文リスト

• Deep Learning Innovations for Underwater Waste Detection: An In-Depth Analysis [0.0]
  本稿では, 埋立廃棄物処理とごみ処理の基盤となるため, 最先端のアーキテクチャと既存のデータセットを網羅的に検討する。 第一の目的は、高度な水中センサーと自律型水中車両によって活用される物体の局所化手法のベンチマークを確立することである。
  論文  参考訳（メタデータ） (2024-05-28T15:51:18Z)
• 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)
• OceanGPT: A Large Language Model for Ocean Science Tasks [37.053614694078014]
  我々は,海洋科学の課題に精通した,海洋領域における最初の大規模言語モデルであるOceanGPTを紹介した。 また,大量の海洋ドメイン命令データを自動的に取得する新しいフレームワークであるOceanGPTを提案する。 海洋域におけるLLMの能力を評価するため,最初の海洋学ベンチマークであるOceanBenchを構築した。
  論文  参考訳（メタデータ） (2023-10-03T13:17:35Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• Review On Deep Learning Technique For Underwater Object Detection [0.0]
  水中構造物の修理と維持、海洋科学は水中物体の検出に大きく依存している。 本稿では,水中物体検出に利用されたデータセットの概要について述べる。
  論文  参考訳（メタデータ） (2022-09-21T07:10:44Z)
• 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)
• 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)
• Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook [8.3226670069051]
  本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。 本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。 我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
  論文  参考訳（メタデータ） (2021-09-29T21:59:16Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
  最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。 マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。 開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
  論文  参考訳（メタデータ） (2021-04-17T18:39:22Z)
• Big Plastic Masses Detection using Sentinel 2 Images [91.3755431537592]
  このコミュニケーションは、地球観測衛星システムを用いて、海や海におけるプラスチック(海洋ゴミ)の大きな塊の検出に関する予備的な研究を記述している。
  論文  参考訳（メタデータ） (2021-03-17T10:45:33Z)

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。