論文の概要: Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2
- arxiv url: http://arxiv.org/abs/2307.02465v1
- Date: Wed, 5 Jul 2023 17:38:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 12:48:44.934586
- Title: Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2
- Title（参考訳）: センチネル2号による沿岸域の海洋ゴミの大規模検出
- Authors: Marc Ru{\ss}wurm, Sushen Jilla Venkatesa, Devis Tuia
- Abstract要約: 海洋汚染を定量化するための努力は、しばしば粗末で高価な海岸調査によって行われる。
沿岸地域の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出するために利用することができる。
本稿では, 深部セグメンテーションモデル上に構築された海洋破片検出装置について述べる。
- 参考スコア（独自算出の注目度）: 3.6842260407632903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting and quantifying marine pollution and macro-plastics is an
increasingly pressing ecological issue that directly impacts ecology and human
health. Efforts to quantify marine pollution are often conducted with sparse
and expensive beach surveys, which are difficult to conduct on a large scale.
Here, remote sensing can provide reliable estimates of plastic pollution by
regularly monitoring and detecting marine debris in coastal areas.
Medium-resolution satellite data of coastal areas is readily available and can
be leveraged to detect aggregations of marine debris containing plastic litter.
In this work, we present a detector for marine debris built on a deep
segmentation model that outputs a probability for marine debris at the pixel
level. We train this detector with a combination of annotated datasets of
marine debris and evaluate it on specifically selected test sites where it is
highly probable that plastic pollution is present in the detected marine
debris. We demonstrate quantitatively and qualitatively that a deep learning
model trained on this dataset issued from multiple sources outperforms existing
detection models trained on previous datasets by a large margin. Our
experiments show, consistent with the principles of data-centric AI, that this
performance is due to our particular dataset design with extensive sampling of
negative examples and label refinements rather than depending on the particular
deep learning model. We hope to accelerate advances in the large-scale
automated detection of marine debris, which is a step towards quantifying and
monitoring marine litter with remote sensing at global scales, and release the
model weights and training source code under
https://github.com/marccoru/marinedebrisdetector
- Abstract（参考訳）: 海洋汚染やマクロプラスチックの検出と定量化は、生態学や人間の健康に直接影響する環境問題になりつつある。
海洋汚染を定量化するための取り組みは、しばしば粗末で高価な海岸調査によって行われ、大規模な調査は困難である。
ここでは, 沿岸域の海洋破片を定期的に監視し, 検出することにより, プラスチック汚染の信頼性評価を行うことができる。
沿岸地域の中分解能衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出できる。
本研究では,深層セグメンテーションモデルに基づく海洋デブリ検出装置について,画素レベルでの海洋デブリの確率を推定する手法を提案する。
この検出装置は, 海洋破片の注釈付きデータセットを組み合わせて訓練し, 検出された海洋破片にプラスチック汚染が存在する可能性が高い特別に選択された試験現場で評価する。
複数のソースから発行されたこのデータセットでトレーニングされたディープラーニングモデルは、以前のデータセットでトレーニングされた既存の検出モデルよりも大きなマージンで優れていることを定量的に定性的に実証する。
我々の実験は、データ中心AIの原則と一致し、このパフォーマンスは、特定のディープラーニングモデルに依存するのではなく、ネガティブな例やラベルの精巧さを広範囲にサンプリングしたデータセット設計によるものであることを示しています。
これは、地球規模でのリモートセンシングによる海洋ゴミの定量化と監視の一歩であり、モデルウェイトとトレーニングソースコードをhttps://github.com/marccoru/marinedebrisdetectorでリリースする。
関連論文リスト
- Enhancing Marine Debris Acoustic Monitoring by Optical Flow-Based Motion Vector Analysis [0.0]
本報告では, 海洋デブリモニタリングのための光学的フローベース手法を提案する。
提案手法は循環式水槽実験により検証した。
論文 参考訳（メタデータ） (2024-12-28T08:55:37Z) - 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) - Autonomous Detection of Methane Emissions in Multispectral Satellite
Data Using Deep Learning [73.01013149014865]
メタンは最も強力な温室効果ガスの1つである。
現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。
深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
論文 参考訳（メタデータ） (2023-08-21T19:36:50Z) - 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) - 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) - Optimized Custom Dataset for Efficient Detection of Underwater Trash [3.2634122554914002]
本報告では, 海底破砕物に対するカスタムデータセットの開発と効率的な検出手法を提案する。
データセットは多様な水中環境を含み、デブリのインスタンスの正確なラベル付けのためのアノテーションが組み込まれている。
このカスタムデータセットの主な目的は、最先端のディープラーニングアーキテクチャを活用することで、リッターインスタンスの多様性を高め、深海環境における検出精度を向上させることである。
論文 参考訳（メタデータ） (2023-05-25T20:28:04Z) - GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
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。
論文 参考訳（メタデータ） (2022-12-07T16:30:51Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - ZeroWaste Dataset: Towards Automated Waste Recycling [51.053682077915546]
産業レベルの廃棄物検出・分別データセットZeroWasteについて述べる。
このデータセットには、実際の廃棄物処理工場から収集された1800以上のビデオフレームが含まれている。
最先端のセグメンテーション手法では,対象物を正しく検出・分類することが困難であることを示す。
論文 参考訳（メタデータ） (2021-06-04T22:17:09Z) - 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)
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。