論文の概要: Computer Vision and Deep Learning for Fish Classification in Underwater
Habitats: A Survey
- arxiv url: http://arxiv.org/abs/2203.06951v2
- Date: Tue, 15 Mar 2022 02:02:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 11:32:39.167283
- Title: Computer Vision and Deep Learning for Fish Classification in Underwater
Habitats: A Survey
- Title（参考訳）: 水中生息地における魚の分類のためのコンピュータビジョンと深層学習
- Authors: Alzayat Saleh, Marcus Sheaves, Mostafa Rahimi Azghadi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.363388546004777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Marine scientists use remote underwater video recording to survey fish
species in their natural habitats. This helps them understand and predict how
fish respond to climate change, habitat degradation, and fishing pressure. This
information is essential for developing sustainable fisheries for human
consumption, and for preserving the environment. However, the enormous volume
of collected videos makes extracting useful information a daunting and
time-consuming task for a human. A promising method to address this problem is
the cutting-edge Deep Learning (DL) technology.DL can help marine scientists
parse large volumes of video promptly and efficiently, unlocking niche
information that cannot be obtained using conventional manual monitoring
methods. In this paper, we provide an overview of the key concepts of DL, while
presenting a survey of literature on fish habitat monitoring with a focus on
underwater fish classification. We also discuss the main challenges faced when
developing DL for underwater image processing and propose approaches to address
them. Finally, we provide insights into the marine habitat monitoring research
domain and shed light on what the future of DL for underwater image processing
may hold. This paper aims to inform a wide range of readers from marine
scientists who would like to apply DL in their research to computer scientists
who would like to survey state-of-the-art DL-based underwater fish habitat
monitoring literature.
- Abstract（参考訳）: 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。
これは、魚類が気候変動や生息地の減少、漁業の圧力にどう反応するかを理解し予測するのに役立ちます。
この情報は人的消費のための持続可能な漁業開発と環境保全に不可欠である。
しかし、収集された膨大な量のビデオは、有用な情報を抽出し、人間の作業に時間を要する。
この問題を解決するための有望な方法は最先端のDeep Learning (DL)技術であり、DLは海洋科学者が大量の映像を迅速かつ効率的に解析し、従来の手動モニタリング手法では得られないニッチな情報を解き放つのに役立つ。
本稿では,魚の生息環境モニタリングに関する文献を水中魚の分類に焦点をあてて紹介しながら,DLの重要概念の概要について述べる。
また,水中画像処理におけるDL開発における主な課題についても論じ,それに対応するためのアプローチを提案する。
最後に,海洋生息環境モニタリング研究領域への洞察を提供し,水中画像処理におけるdlの将来像を明らかにする。
本研究の目的は, 海洋科学者が, dlベースの水中魚類生息環境モニタリングの文献を調査したいコンピュータ科学者に対して, dlを応用したい, 幅広い読者に知らせることである。
関連論文リスト
- Reducing Label Dependency for Underwater Scene Understanding: A Survey of Datasets, Techniques and Applications [3.4210271593052606]
調査は、人間の専門家の入力への依存を減らすアプローチに焦点を当てている。
弱く自己監督的な深層学習の背景を提供し、これらの要素を水中モニタリング、コンピュータビジョン、深層学習の交差点を中心とする分類学に統合する。
論文 参考訳（メタデータ） (2024-11-18T05:16:09Z) - A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。
収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
論文 参考訳（メタデータ） (2024-07-04T09:07:25Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - 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) - Seeing biodiversity: perspectives in machine learning for wildlife
conservation [49.15793025634011]
機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。
本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
論文 参考訳（メタデータ） (2021-10-25T13:40:36Z) - 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) - 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) - 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 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) - Deep learning for smart fish farming: applications, opportunities and
challenges [5.205205917768471]
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。
論文 参考訳（メタデータ） (2020-04-06T16:07:27Z)
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。