Fugu-MT 論文翻訳(概要): UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5

論文の概要: UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5

arxiv url: http://arxiv.org/abs/2207.00837v1
Date: Sat, 2 Jul 2022 14:09:08 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 16:29:42.769932
Title: UTD-Yolov5: A Real-time Underwater Targets Detection Method based on Attention Improved YOLOv5
Title（参考訳）: UTD-Yolov5: YOLOv5の改良に基づくリアルタイム水中ターゲット検出手法
Authors: Jingyao Wang, Naigong Yu
Abstract要約: サンゴ礁は海洋生物の持続可能な発展に不可欠です手作業による社会の保護は限定的で非効率である。水中操作のためのロボットの利用がトレンドになっている。本研究では,意識改善型YOLOv5に基づく水中目標検出アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.7843067454030996
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As the treasure house of nature, the ocean contains abundant resources. But the coral reefs, which are crucial to the sustainable development of marine life, are facing a huge crisis because of the existence of COTS and other organisms. The protection of society through manual labor is limited and inefficient. The unpredictable nature of the marine environment also makes manual operations risky. The use of robots for underwater operations has become a trend. However, the underwater image acquisition has defects such as weak light, low resolution, and many interferences, while the existing target detection algorithms are not effective. Based on this, we propose an underwater target detection algorithm based on Attention Improved YOLOv5, called UTD-Yolov5. It can quickly and efficiently detect COTS, which in turn provides a prerequisite for complex underwater operations. We adjusted the original network architecture of YOLOv5 in multiple stages, including: replacing the original Backbone with a two-stage cascaded CSP (CSP2); introducing the visual channel attention mechanism module SE; designing random anchor box similarity calculation method etc. These operations enable UTD-Yolov5 to detect more flexibly and capture features more accurately. In order to make the network more efficient, we also propose optimization methods such as WBF and iterative refinement mechanism. This paper conducts a lot of experiments based on the CSIRO dataset [1]. The results show that the average accuracy of our UTD-Yolov5 reaches 78.54%, which is a great improvement compared to the baseline.
Abstract（参考訳）: 自然の宝庫として、海には豊富な資源がある。しかし、海洋生物の持続可能な発展に欠かせないサンゴ礁は、COTSやその他の生物の存在によって大きな危機に直面している。手作業による社会の保護は限定的で非効率である。海洋環境の予測不能な性質は、手動操作を危険にさらす。水中操作におけるロボットの利用がトレンドになっている。しかし、水中画像取得には、弱い光、低解像度、多くの干渉などの欠陥があるが、既存のターゲット検出アルゴリズムは有効ではない。そこで本研究では, UTD-Yolov5 と呼ばれる YOLOv5 の改良型 YOLOv5 に基づく水中目標検出アルゴリズムを提案する。 COTSを迅速かつ効率的に検出し、複雑な水中操作の前提条件を提供する。 YOLOv5のネットワークアーキテクチャを複数の段階で調整し,元のBackboneを2段階のCSP(CSP2)に置き換えること,視覚チャネルアテンション機構モジュールSEの導入,ランダムアンカーボックス類似性計算法の設計などを行った。これらの操作により、utd-yolov5はより柔軟に検出でき、より正確に機能をキャプチャできる。また,ネットワークをより効率的にするために,WBFや反復改良機構などの最適化手法を提案する。本稿では, CSIRO データセット [1] に基づいて多くの実験を行う。その結果、utd-yolov5の平均精度は78.54%に達し、ベースラインと比較すると大きな改善となった。

関連論文リスト

LAM-YOLO: Drones-based Small Object Detection on Lighting-Occlusion Attention Mechanism YOLO [0.9062164411594178]
LAM-YOLOは、ドローンベースの画像に特化して設計されたオブジェクト検出モデルである。我々は、異なる照明条件下での小さな目標の視認性を高めるために、光遮断注意機構を導入する。次に、回帰損失関数として改良されたSIB-IoUを用いてモデル収束を加速し、局所化精度を向上させる。
論文参考訳（メタデータ） (2024-11-01T10:00:48Z)
Monitoring of Hermit Crabs Using drone-captured imagery and Deep Learning based Super-Resolution Reconstruction and Improved YOLOv8 [20.802793519520275]
ハーミットカニは、種を分散させ、ゴミを浄化し、土壌を乱すことによって、沿岸生態系において重要な役割を担っている。従来の調査手法、例えば四重項サンプリングは、労働集約、時間消費、環境依存である。本研究では,UAVを用いたリモートセンシングと超解像再構成(SRR)とCRAB-YOLO検出ネットワークを組み合わせた革新的なアプローチを提案する。
論文参考訳（メタデータ） (2024-08-07T05:47:15Z)
A Real-Time Framework for Domain-Adaptive Underwater Object Detection with Image Enhancement [18.936260846385444]
EnyoLOは、水中画像強調(UIE)と物体検出(UOD)を同時に行うために設計された統合リアルタイムフレームワークである。このフレームワークはUIEタスクとUDDタスクの両方でSOTA(State-of-the-art)性能を実現するが、異なる水中シナリオに適用した場合にも優れた適応性を示す。
論文参考訳（メタデータ） (2024-03-28T01:00:08Z)
YOLO series target detection algorithms for underwater environments [0.0]
You Only Look Once (YOLO)アルゴリズムは、計算速度と精度のバランスで知られている2016年に登場した代表的なターゲット検出アルゴリズムである。本稿では,水中YOLOアルゴリズムの適用方法の改善を提案し,その問題点を指摘する。
論文参考訳（メタデータ） (2023-09-07T07:52:57Z)
Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文参考訳（メタデータ） (2023-09-03T06:35:07Z)
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文参考訳（メタデータ） (2023-08-18T13:13:09Z)
Towards End-to-end Semi-supervised Learning for One-stage Object Detection [88.56917845580594]
本稿では,高度な一段検出ネットワークYOLOv5の半教師付き学習に焦点を当てた。そこで我々は,Multi-view Pseudo-label Refinement (MPR) とDecoupled Semi-supervised Optimization (DSO) の2つの革新的な設計を取り入れた新しい教師学習レシピOneTeacherを提案する。特に、MPRは、拡張ビューリファインメントとグローバルビューフィルタリングによって擬似ラベルの品質を改善し、DSOは構造的な微調整とタスク固有の擬似ラベルによる共同最適化競合を処理する。
論文参考訳（メタデータ） (2023-02-22T11:35:40Z)
Underwater target detection based on improved YOLOv7 [7.264267222876267]
本研究では,水中目標検出のための改良型YOLOv7ネットワーク(YOLOv7-AC)を提案する。提案するネットワークは、ACmixBlockモジュールを使用して、E-ELAN構造の3x3畳み込みブロックを置き換える。 ResNet-ACmixモジュールは、特徴情報の損失を回避し、計算量を削減するように設計されている。
論文参考訳（メタデータ） (2023-02-14T09:50:52Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
論文参考訳（メタデータ） (2022-03-02T04:24:05Z)
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)

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。