Fugu-MT 論文翻訳(概要): A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline

論文の概要: A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline

arxiv url: http://arxiv.org/abs/2205.10199v1
Date: Fri, 20 May 2022 14:18:17 GMT
ステータス: 処理完了
システム内更新日: 2022-05-23 13:42:16.736028
Title: A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline
Title（参考訳）: 新しい水中画像強調と改良された水中生物検出パイプライン
Authors: Zheng Liu, Yaoming Zhuang, Pengrun Jia, Chengdong Wu, Hongli Xu ang Zhanlin Liu
Abstract要約: 本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
参考スコア（独自算出の注目度）: 8.326477369707122
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For aquaculture resource evaluation and ecological environment monitoring, automatic detection and identification of marine organisms is critical. However, due to the low quality of underwater images and the characteristics of underwater biological, a lack of abundant features may impede traditional hand-designed feature extraction approaches or CNN-based object detection algorithms, particularly in complex underwater environment. Therefore, the goal of this paper is to perform object detection in the underwater environment. This paper proposed a novel method for capturing feature information, which adds the convolutional block attention module (CBAM) to the YOLOv5 backbone. The interference of underwater creature characteristics on object characteristics is decreased, and the output of the backbone network to object information is enhanced. In addition, the self-adaptive global histogram stretching algorithm (SAGHS) is designed to eliminate the degradation problems such as low contrast and color loss caused by underwater environmental information to better restore image quality. Extensive experiments and comprehensive evaluation on the URPC2021 benchmark dataset demonstrate the effectiveness and adaptivity of our methods. Beyond that, this paper conducts an exhaustive analysis of the role of training data on performance.
Abstract（参考訳）: 養殖資源の評価と環境モニタリングには,海洋生物の自動検出と同定が重要である。しかし, 水中画像の画質が低く, 生物特性が低いため, 従来の手作業による特徴抽出手法やCNNに基づく物体検出アルゴリズム, 特に複雑な水中環境において, 豊富な特徴が欠落する可能性がある。そこで本論文の目的は,水中環境下で物体検出を行うことである。本稿では,convolutional block attention module (cbam) をyolov5バックボーンに付加した特徴情報をキャプチャする新しい手法を提案する。物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。また,水中環境情報によるコントラスト低下や色損失などの劣化問題を解消し,画質の回復を図るために,自己適応型グローバルヒストグラムストレッチングアルゴリズム(saghs)を考案した。 URPC2021ベンチマークデータセットの大規模な実験と総合評価により,本手法の有効性と適応性を示した。さらに,本論文では,パフォーマンスにおけるトレーニングデータの役割を徹底的に分析する。

関連論文リスト

Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
論文参考訳（メタデータ） (2024-10-08T10:35:32Z)
FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
論文参考訳（メタデータ） (2024-09-25T03:54:01Z)
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)
Physics-Inspired Synthesized Underwater Image Dataset [9.959844922120528]
PHISWIDは、物理にインスパイアされた画像合成による水中画像処理の強化に適したデータセットである。以上の結果から,PHISWIDでトレーニングを行う場合の基本的U-Netアーキテクチャでさえ,水中画像強調において既存の手法よりも大幅に優れていたことが判明した。我々はPHISWIDを公開し、水中イメージング技術の進歩に重要なリソースを提供する。
論文参考訳（メタデータ） (2024-04-05T10:23:10Z)
MuLA-GAN: Multi-Level Attention GAN for Enhanced Underwater Visibility [1.9272863690919875]
本稿では,総合的な水中画像強調のためのGAN(Geneversarative Adrial Networks)とマルチレベルアテンション機構の相乗効果を利用した新しいアプローチであるMuLA-GANを紹介する。本モデルは,水中画像の複雑な細部を捉え保存することに優れており,様々な用途に欠かせない。この研究は、水中画像の強調における重要な研究ギャップに対処するだけでなく、GANの強化におけるマルチレベル注意の重要性を浮き彫りにしている。
論文参考訳（メタデータ） (2023-12-25T07:33:47Z)
DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
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)
WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文参考訳（メタデータ） (2023-08-02T04:17:35Z)
A Gated Cross-domain Collaborative Network for Underwater Object Detection [14.715181402435066]
水中物体検出は養殖と海洋環境保護において重要な役割を担っている。水中画像の品質向上のため,水中画像強調法(UIE)が提案されている。本稿では,水中環境における可視性とコントラストの低さの課題に対処するため,GCC-Net(Gated Cross-domain Collaborative Network)を提案する。
論文参考訳（メタデータ） (2023-06-25T06:28:28Z)
PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。水中画像強調(UIE)の課題も、時間とともに現れた。本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文参考訳（メタデータ） (2023-06-15T07:41:12Z)
Domain Adaptive Adversarial Learning Based on Physics Model Feedback for Underwater Image Enhancement [10.143025577499039]
物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
論文参考訳（メタデータ） (2020-02-20T07:50:00Z)

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。