論文の概要: High-precision Density Mapping of Marine Debris and Floating Plastics
via Satellite Imagery
- arxiv url: http://arxiv.org/abs/2210.05468v1
- Date: Tue, 11 Oct 2022 14:13:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:39:31.495667
- Title: High-precision Density Mapping of Marine Debris and Floating Plastics
via Satellite Imagery
- Title(参考訳): 衛星画像による海洋ゴミ・浮遊プラスチックの高精度密度マッピング
- Authors: Henry Booth, Wanli Ma, Oktay Karakus
- Abstract要約: 本稿では,機械学習モデルの構築,MAP-Mapperの構築,およびアウト・オブ・ディストリビューションテストのためのシステム全体の評価から構成する。
MAP-Mapperアーキテクチャは、ユーザーが高精度(textitabbv.$ -HP)または最適精度(textitabbv.$ -Opt)値に到達するための選択肢を提供する。
MAP-Mapper-HPモデルではプラスチック検出精度が95%,MAP-Mapper-Optは87%-88であった。
- 参考スコア(独自算出の注目度): 7.648784748888186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Combining multi-spectral satellite data and machine learning has been
suggested as a method for monitoring plastic pollutants in the ocean
environment. Recent studies have made theoretical progress regarding the
identification of marine plastic via machine learning. However, no study has
assessed the application of these methods for mapping and monitoring
marine-plastic density. As such, this paper comprised of three main components:
(1) the development of a machine learning model, (2) the construction of the
MAP-Mapper, an automated tool for mapping marine-plastic density, and finally
(3) an evaluation of the whole system for out-of-distribution test locations.
The findings from this paper leverage the fact that machine learning models
need to be high-precision to reduce the impact of false positives on results.
The developed MAP-Mapper architectures provide users choices to reach
high-precision ($\textit{abbv.}$ -HP) or optimum precision-recall
($\textit{abbv.}$ -Opt) values in terms of the training/test data set. Our
MAP-Mapper-HP model greatly increased the precision of plastic detection to
95\%, whilst MAP-Mapper-Opt reaches precision-recall pair of 87\%-88\%. The
MAP-Mapper contributes to the literature with the first tool to exploit
advanced deep/machine learning and multi-spectral imagery to map marine-plastic
density in automated software. The proposed data pipeline has taken a novel
approach to map plastic density in ocean regions. As such, this enables an
initial assessment of the challenges and opportunities of this method to help
guide future work and scientific study.
- Abstract(参考訳): 海洋環境におけるプラスチック汚染物質のモニタリング方法として,多スペクトル衛星データと機械学習の組み合わせが提案されている。
近年, 機械学習による海洋プラスチックの識別に関する理論的研究が進んでいる。
しかし,これらの手法を海洋塑性密度のマッピングとモニタリングに応用する研究は行われていない。
そこで本論文は,(1)機械学習モデルの開発,(2)海洋の塑性密度をマッピングする自動ツールMAP-Mapperの構築,(3)分布外試験のためのシステム全体の評価の3つの主要構成要素からなる。
本稿では,機械学習モデルが結果に対する偽陽性の影響を低減するために高精度である必要があるという事実を活用する。
MAP-Mapperアーキテクチャは、ユーザが高精度($\textit{abbv.)に到達するための選択肢を提供する。
またはOptimum precision-recall ($\textit{abbv. }$ -HP)。
トレーニング/テストデータセットの観点でいうと、-Opt) の値です。
MAP-Mapper-HPモデルでは, プラスチック検出精度が95%に向上し, MAP-Mapper-Optは87-88-%に向上した。
MAP-Mapperは、高度な深層・機械的学習とマルチスペクトル画像を利用して、自動ソフトウェアにおける海洋塑性密度をマッピングする最初のツールで文献に貢献する。
提案するデータパイプラインは,海洋域の塑性密度をマッピングする新しいアプローチを採用している。
これにより、この手法の課題と機会を早期に評価し、将来の研究や科学研究の指導に役立てることができる。
関連論文リスト
- Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity
Monocular Dense Mapping [51.739466714312805]
ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。
ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
論文 参考訳(メタデータ) (2024-01-06T12:32:25Z) - A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。
物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
論文 参考訳(メタデータ) (2024-01-06T06:09:05Z) - Tinto: Multisensor Benchmark for 3D Hyperspectral Point Cloud
Segmentation in the Geosciences [9.899276249773425]
我々は,地質図作成のための深層学習手法の開発と検証を容易にするために設計された,デジタルアウトクロップのベンチマークデータセットであるTintoを提示する。
Tintoは,1)Corta Atalaya(Spain)の実際のデジタルアウトクロップモデル,2)スペクトル特性と地中構造データ,2)原データセットの潜在特徴を用いて地中構造からリアルなスペクトルデータを再構成する合成双生児からなる。
我々はこれらのデータセットを用いて、地質図の自動作成のための異なるディープラーニングアプローチの能力を探索した。
論文 参考訳(メタデータ) (2023-05-17T03:24:08Z) - On the Importance of Feature Representation for Flood Mapping using
Classical Machine Learning Approaches [3.555368338253582]
地球観測データに基づく洪水の浸水マッピングは、洪水の影響を受けた地域を、ほぼリアルタイムで緊急救助隊に、安価で正確な地図を提供するのに役立つ。
本稿では,勾配向上決定木,支持ベクトルマシン,二次判別分析など,従来の5つの機械学習手法の可能性について検討する。
これまでに報告した0.8751と0.7031のIoU値を0.70と0.5873と比較すると、単純な勾配増強分類器はディープニューラルネットワークに基づくアプローチよりも大幅に改善できることが示されている。
論文 参考訳(メタデータ) (2023-03-01T17:39:08Z) - AutoMap: Automatic Medical Code Mapping for Clinical Prediction Model
Deployment [61.20485847293752]
本稿では,異なるEHRシステムにまたがる医療情報を自動マッピングするAutoMapを提案する。
実世界のEHRデータセットであるeICUとMIMIC-IIIの2つの深層学習モデルを用いてAutoMapを評価する。
その結果、AutoMapは死亡予測のための相対的な改善を3.9%(AUC-ROC)と8.7%(AUC-PR)に達成している。
論文 参考訳(メタデータ) (2022-03-04T17:20:21Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳(メタデータ) (2021-06-20T08:20:56Z) - Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。
未経験データからの学習に基づく深度マップの強化について考察する。
論文 参考訳(メタデータ) (2021-05-25T16:19:16Z) - DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic
Using Deep Visual Models [0.0]
現在、浮遊プラスチックを定量化する最も一般的な監視方法は、マンタトロールの使用が必要です。
分析前の物理的除去の必要性は、コストが高く、リアルタイムの海洋プラスチックモニタリングサービスのスケーラブルな展開を妨げる集中的な労力を必要とします。
本研究では,海表層内で撮影した画像をインプットとして利用する,高度にスケーラブルなワークフローを提案する。
論文 参考訳(メタデータ) (2021-05-05T06:04:26Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down
Distillation [153.56211546576978]
本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。
このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。
実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
論文 参考訳(メタデータ) (2020-08-27T13:04:27Z)
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。