論文の概要: Whale Detection Enhancement through Synthetic Satellite Images

• arxiv url: http://arxiv.org/abs/2308.07766v2
• Date: Tue, 01 Oct 2024 13:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-02 16:31:54.455968
• Title: Whale Detection Enhancement through Synthetic Satellite Images
• Title（参考訳）: 合成衛星画像による捕鯨検出の強化
• Authors: Akshaj Gaur, Cheng Liu, Xiaomin Lin, Nare Karapetyan, Yiannis Aloimonos,
• Abstract要約: 実際のデータのみをトレーニングに使用した場合と比較して,捕鯨の検出において15%の性能向上が達成できることが示されている。 シミュレーションプラットフォームSeaDroneSim2のコードをオープンソースとして公開しています。
• 参考スコア（独自算出の注目度）: 13.842008598751445
• License:
• Abstract: With a number of marine populations in rapid decline, collecting and analyzing data about marine populations has become increasingly important to develop effective conservation policies for a wide range of marine animals, including whales. Modern computer vision algorithms allow us to detect whales in images in a wide range of domains, further speeding up and enhancing the monitoring process. However, these algorithms heavily rely on large training datasets, which are challenging and time-consuming to collect particularly in marine or aquatic environments. Recent advances in AI however have made it possible to synthetically create datasets for training machine learning algorithms, thus enabling new solutions that were not possible before. In this work, we present a solution - SeaDroneSim2 benchmark suite, which addresses this challenge by generating aerial, and satellite synthetic image datasets to improve the detection of whales and reduce the effort required for training data collection. We show that we can achieve a 15% performance boost on whale detection compared to using the real data alone for training, by augmenting a 10% real data. We open source both the code of the simulation platform SeaDroneSim2 and the dataset generated through it.
• Abstract（参考訳）: 海産個体数の急激な減少に伴い、クジラを含む広範囲の海洋動物に対する効果的な保護政策を開発する上で、海産個体数の収集と分析がますます重要になっている。 現代のコンピュータビジョンアルゴリズムは、広範囲の領域で画像中のクジラを検知し、監視プロセスをさらにスピードアップし、強化します。 しかし、これらのアルゴリズムは大規模なトレーニングデータセットに大きく依存しており、特に海洋や水生環境において収集するのに困難で時間を要する。 しかし、AIの最近の進歩により、機械学習アルゴリズムを訓練するためのデータセットを合成的に作成できるようになったため、これまで不可能だった新しいソリューションが実現された。 本研究では,クジラの発見を改善し,データ収集の訓練に要する労力を削減するために,空中合成画像データセットと衛星合成画像データセットを生成することでこの問題に対処する,SeaDroneSim2ベンチマークスイートを提案する。 そこで本研究では,10%のリアルタイムデータを増強することにより,実際のデータのみをトレーニングに使用した場合と比較して,捕鯨の検出性能が15%向上することを示す。 シミュレーションプラットフォームSeaDroneSim2のコードと、それを通じて生成されたデータセットの両方をオープンソースにしています。

関連論文リスト

• Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
  本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。 提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。 主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-24T09:11:34Z)
• Automatic Coral Detection with YOLO: A Deep Learning Approach for Efficient and Accurate Coral Reef Monitoring [0.0]
  サンゴ礁は、人為的な影響や気候変動によって脅威にさらされている重要な生態系である。 本稿では,深層学習モデルを用いたサンゴ自動検出システムを提案する。
  論文  参考訳（メタデータ） (2024-04-03T08:00:46Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• 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)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• FisHook -- An Optimized Approach to Marine Specie Classification using MobileNetV2 [5.565562836494568]
  海洋生物の分類とモニタリングは、その分布、人口動態、そしてそれらに対する人間の活動の影響を理解するのに役立ちます。 ディープラーニングアルゴリズムは、海洋生物を効率的に分類し、海洋生態系の監視と管理を容易にする。
  論文  参考訳（メタデータ） (2023-04-04T04:30:25Z)
• Semi-Supervised Visual Tracking of Marine Animals using Autonomous Underwater Vehicles [0.40498500266986387]
  海洋生物のその場での視覚観察は、行動的理解と周囲の生態系との関係の発達に不可欠である。 近年、カメラとGPU機能を備えた組み込みコンピュータを備えた自律型水中車両が様々な用途で開発されている。 半教師付き追跡アルゴリズムは、完全な教師付き追跡アルゴリズムよりも少ないデータを必要とするため、代替の追跡ソリューションを提供することができる。
  論文  参考訳（メタデータ） (2023-02-14T21:08:52Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• SimuShips -- A High Resolution Simulation Dataset for Ship Detection with Precise Annotations [0.0]
  畳み込みニューラルネットワーク(CNN)に基づく最先端の障害物検出アルゴリズム SimuShipsは、海洋環境向けに公開されているシミュレーションベースのデータセットである。
  論文  参考訳（メタデータ） (2022-09-22T07:33:31Z)
• Deep learning with self-supervision and uncertainty regularization to count fish in underwater images [28.261323753321328]
  効果的な保全活動には、効果的な人口監視が必要です。 画像サンプリングによる人口のモニタリングにより、データ収集は安価で広く、侵入性が低くなっている。 このようなデータから動物を数えることは、特に騒々しい画像に密に詰め込まれた場合、困難です。 深層学習は多くのコンピュータビジョンタスクの最先端の手法であるが、動物を数えるためにはまだ十分に研究されていない。
  論文  参考訳（メタデータ） (2021-04-30T13:02:19Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)

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。