論文の概要: GAMMA: Generative Augmentation for Attentive Marine Debris Detection

• arxiv url: http://arxiv.org/abs/2212.03759v1
• Date: Wed, 7 Dec 2022 16:30:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 16:34:24.881594
• Title: GAMMA: Generative Augmentation for Attentive Marine Debris Detection
• Title（参考訳）: GAMMA:Attentive Marine Debris Detectionのためのジェネレーション拡張
• Authors: Vaishnavi Khindkar, Janhavi Khindkar
• Abstract要約: そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。 我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。 また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an efficient and generative augmentation approach to solve the inadequacy concern of underwater debris data for visual detection. We use cycleGAN as a data augmentation technique to convert openly available, abundant data of terrestrial plastic to underwater-style images. Prior works just focus on augmenting or enhancing existing data, which moreover adds bias to the dataset. Compared to our technique, which devises variation, transforming additional in-air plastic data to the marine background. We also propose a novel architecture for underwater debris detection using an attention mechanism. Our method helps to focus only on relevant instances of the image, thereby enhancing the detector performance, which is highly obliged while detecting the marine debris using Autonomous Underwater Vehicle (AUV). We perform extensive experiments for marine debris detection using our approach. Quantitative and qualitative results demonstrate the potential of our framework that significantly outperforms the state-of-the-art methods.
• Abstract（参考訳）: 本研究では,水中デブリデータによる視覚検出の不十分な課題を解決するため,効率的かつ生成的な拡張手法を提案する。 われわれはcycleganをデータ拡張技術として利用し, 陸生プラスチックのオープンで豊富なデータを水中画像に変換する。 事前の作業は、既存のデータの強化や強化にのみ焦点を合わせ、さらにデータセットにバイアスを加える。 空気中のプラスチックデータを海中の背景に変換する手法と比較した。 また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。 提案手法は, 画像の関連事例のみに焦点を合わせることで, 自律下水車(AUV)を用いた海洋破片の検出において, 高い負荷がかかる検出器性能を向上させる。 本手法を用いた海洋破片検出のための広範囲な実験を行った。 定量的および定性的な結果は、最先端の手法を著しく上回るフレームワークの可能性を示している。

関連論文リスト

• Separated Attention: An Improved Cycle GAN Based Under Water Image Enhancement Method [0.0]
  我々は、損失関数を改良した最先端のサイクルGANモデルのサイクル一貫した学習手法を利用した。 我々は、ベンチマークしたEnhancing Underwater Visual Perceptionデータセット上で、修正された損失関数を用いてCycle GANモデルを訓練した。 アップグレードされた画像は、従来のモデルによるより良い結果を提供し、さらに水中ナビゲーション、ポーズ推定、サリエンシ予測、物体の検出と追跡を行う。
  論文  参考訳（メタデータ） (2024-04-11T11:12:06Z)
• 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)
• 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)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• 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)
• Spectral Analysis of Marine Debris in Simulated and Observed Sentinel-2/MSI Images using Unsupervised Classification [0.0]
  本研究では,Sentinel-2ミッションのMultispectral Instrument(MSI)と機械学習アルゴリズムを組み合わせたRTMシミュレーションデータを用いた。 その結果, 汚染物質のスペクトル挙動は, ポリマーの種類や画素被覆率などの影響を受けていることがわかった。 これらの知見は、海洋プラスチック汚染を検知するためのリモートセンシングアプリケーションにおける将来の研究を導くことができる。
  論文  参考訳（メタデータ） (2023-06-26T18:46:47Z)
• 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)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• A Generative Approach for Detection-driven Underwater Image Enhancement [19.957923413999673]
  本稿では,GAN(Generative Adversarial Network)に基づく画像強調とダイバー検出タスクを統合したモデルを提案する。 提案手法はGAN目的関数を再構成し,事前に訓練されたダイバーディテクタの情報を含む。 我々は,最先端のダイバー検出器を用いて,スキューバダイバーの大規模データセット上でネットワークをトレーニングし,海洋探査から収集した画像上でその有用性を示す。
  論文  参考訳（メタデータ） (2020-12-10T21:33:12Z)
• Perceptual underwater image enhancement with deep learning and physical priors [35.37760003463292]
  本稿では,2つの知覚強調モデルを提案する。 トレーニングデータの欠如により, 物理的先行とデータ駆動的手がかりを融合したハイブリッド水中画像合成モデルが提案され, トレーニングデータを合成する。 実験結果から,提案手法は実環境および合成水中データセット上でのいくつかの最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-21T22:11:34Z)

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。