論文の概要: Applications of Deep Learning in Fish Habitat Monitoring: A Tutorial and
Survey
- arxiv url: http://arxiv.org/abs/2206.05394v1
- Date: Sat, 11 Jun 2022 01:59:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 15:32:12.700010
- Title: Applications of Deep Learning in Fish Habitat Monitoring: A Tutorial and
Survey
- Title(参考訳): 魚類の生息環境モニタリングにおける深層学習の応用 : チュートリアルと調査
- Authors: Alzayat Saleh, Marcus Sheaves, Dean Jerry, and Mostafa Rahimi Azghadi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.9249287163937976
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Marine ecosystems and their fish habitats are becoming increasingly important
due to their integral role in providing a valuable food source and conservation
outcomes. Due to their remote and difficult to access nature, marine
environments and fish habitats are often monitored using underwater cameras.
These cameras generate a massive volume of digital data, which cannot be
efficiently analysed by current manual processing methods, which involve a
human observer. DL is a cutting-edge AI technology that has demonstrated
unprecedented performance in analysing visual data. Despite its application to
a myriad of domains, its use in underwater fish habitat monitoring remains
under explored. In this paper, we provide a tutorial that covers the key
concepts of DL, which help the reader grasp a high-level understanding of how
DL works. The tutorial also explains a step-by-step procedure on how DL
algorithms should be developed for challenging applications such as underwater
fish monitoring. In addition, we provide a comprehensive survey of key deep
learning techniques for fish habitat monitoring including classification,
counting, localization, and segmentation. Furthermore, we survey publicly
available underwater fish datasets, and compare various DL techniques in the
underwater fish monitoring domains. We also discuss some challenges and
opportunities in the emerging field of deep learning for fish habitat
processing. This paper is written to serve as a tutorial for marine scientists
who would like to grasp a high-level understanding of DL, develop it for their
applications by following our step-by-step tutorial, and see how it is evolving
to facilitate their research efforts. At the same time, it is suitable for
computer scientists who would like to survey state-of-the-art DL-based
methodologies for fish habitat monitoring.
- Abstract(参考訳): 海洋生態系とその魚類の生息地は、貴重な食料資源と保全結果の提供において重要な役割を担っているため、ますます重要になっている。
遠隔でアクセスが難しいため、海洋環境や魚類の生息地は水中カメラで監視されることが多い。
これらのカメラは大量のデジタルデータを生成し、人間の観察者を含む現在の手動処理方法では効率的に分析できない。
DLは最先端のAI技術であり、視覚データの解析において前例のないパフォーマンスを示している。
無数の領域に応用されているが、水中の魚類生息環境のモニタリングでの利用はまだ検討中である。
本稿では,dlの動作に関する高レベルな理解を読者が把握するための,dlの重要な概念をカバーするチュートリアルを提供する。
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。
さらに,魚の生息環境モニタリングにおける重要な深層学習手法について,分類,カウント,局所化,セグメンテーションを含む包括的調査を行った。
さらに,市販の水中魚データセットを調査し,水中魚モニタリング領域における各種dl技術の比較を行った。
また,魚の生息地処理における深層学習の課題と機会についても論じる。
本論文は,高レベルなDLの理解を深めたい海洋科学者のためのチュートリアルとして,ステップ・バイ・ステップのチュートリアルに従い,研究活動を促進するためにどのように進化しているかを考察する。
同時に、魚の生息環境モニタリングのための最先端のDLベースの方法論を調査したいコンピュータ科学者にも適している。
関連論文リスト
- Improving Underwater Visual Tracking With a Large Scale Dataset and
Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。
水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。
本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。
この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文 参考訳(メタデータ) (2023-08-30T07:41:26Z) - 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) - SelfTune: Metrically Scaled Monocular Depth Estimation through
Self-Supervised Learning [53.78813049373321]
本稿では,事前学習した教師付き単分子深度ネットワークに対する自己教師付き学習手法を提案する。
本手法は移動ロボットナビゲーションなどの様々な応用に有用であり,多様な環境に適用可能である。
論文 参考訳(メタデータ) (2022-03-10T12:28:42Z) - Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。
価値に基づく政策段階の深層強化学習(DRL)について考察する。
また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
論文 参考訳(メタデータ) (2021-12-16T16:53:56Z) - 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) - 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) - 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) - 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。