論文の概要: Optimized Deep Learning Models for AUV Seabed Image Analysis
- arxiv url: http://arxiv.org/abs/2311.10399v1
- Date: Fri, 17 Nov 2023 09:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 15:24:33.432336
- Title: Optimized Deep Learning Models for AUV Seabed Image Analysis
- Title(参考訳): AUV海底画像解析のための最適化深層学習モデル
- Authors: Rajesh Sharma R, Akey Sungheetha, Chinnaiyan R
- Abstract要約: この記事では、AUV海底画像処理の最新技術の概要と比較について紹介する。
私たちは海底技術の世界に入り、コンピューターやアルゴリズムの進歩を通じて、センサーやカメラの進歩を網羅する。
このページを最後に読むと、AUVを使って海底写真を処理するための最新の技術やツールをしっかり理解することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using autonomous underwater vehicles, or AUVs, has completely changed how we
gather data from the ocean floor. AUV innovation has advanced significantly,
especially in the analysis of images, due to the increasing need for accurate
and efficient seafloor mapping. This blog post provides a detailed summary and
comparison of the most current advancements in AUV seafloor image processing.
We will go into the realm of undersea technology, covering everything through
computer and algorithmic advancements to advances in sensors and cameras. After
reading this page through to the end, you will have a solid understanding of
the most up-to-date techniques and tools for using AUVs to process seabed
photos and how they could further our comprehension of the ocean floor
- Abstract(参考訳): 自律型水中車両(AUV)は、海底からのデータ収集方法を完全に変えた。
auvのイノベーションは、精度が高く効率的な海底マッピングの必要性が高まっているため、特に画像分析において著しく進歩した。
この記事では、AUV海底画像処理の最新技術の概要と比較について紹介する。
私たちは海底技術の世界に入り、コンピューターやアルゴリズムの進歩を通じて、センサーやカメラの進歩を網羅する。
このページを最後に読むと、AUVを使って海底写真を処理するための最新の技術とツールが理解でき、海底の理解をさらに深めることができる。
関連論文リスト
- Revolutionizing Underwater Exploration of Autonomous Underwater Vehicles
(AUVs) and Seabed Image Processing Techniques [0.0]
地球上の海は世界最後の境界線の一つであり、その深さのごく一部しか探検されていない。
技術の進歩により、自律型水中車両(AUV)は独立して運用でき、水中で複雑な作業を行うことができる。
本稿では,AUV技術の最新技術と海底画像処理技術について概観する。
論文 参考訳(メタデータ) (2023-11-22T06:45:44Z) - 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 Large-scale AUV-based Visual Seafloor Mapping [6.7864586321550595]
海底画像と視覚マッピングの最近の進歩を取り入れ,海底のヘクタールの自動3次元再構築を支援するシステムを提案する。
我々のアプローチは,画像の省略や潜水時間制限の有効利用のために,弱い登録領域の検出と再考が困難である。
提案システムは, 実環境下でのロバスト性および実用性を実証し, いくつかの調査巡航において広範囲に検証され, 評価されている。
論文 参考訳(メタデータ) (2023-08-11T14:24:03Z) - Guided Unsupervised Learning by Subaperture Decomposition for Ocean SAR
Image Retrieval [31.974530072369753]
サブアパーチャ分解は、海面における教師なし学習の検索を強化するために用いられる。
ドップラーセントロイド画像が入力データとして使用される場合,SDは重要な性能向上をもたらすことを示す。
論文 参考訳(メタデータ) (2022-09-29T18:17:56Z) - MassMIND: Massachusetts Maritime INfrared Dataset [3.5751176069022983]
本稿では,沿岸海洋環境下で得られた2,900以上のLWIR(Long Wave Infrared)セグメント画像のラベル付きデータセットについて述べる。
画像はインスタンスセグメンテーションを使用してラベル付けされ、空、水、障害物、リビング障害物、ブリッジ、自己、背景の7つのカテゴリに分類される。
我々は,このデータセットを3つのディープラーニングアーキテクチャ(UNet,PSPNet,DeepLabv3)にわたって評価し,その有効性について詳細に分析する。
論文 参考訳(メタデータ) (2022-09-09T02:54:26Z) - FathomNet: A global underwater image training set for enabling
artificial intelligence in the ocean [0.0]
オーシャンゴープラットフォームは、監視とナビゲーションのために高解像度のカメラフィードを統合することで、視覚データを大量に生成している。
機械学習の最近の進歩は、視覚データの高速かつ洗練された分析を可能にするが、海洋学の世界では成功しなかった。
FathomNetのデータに基づいてトレーニングされた機械学習モデルを、さまざまな機関のビデオデータに適用する方法を実証する。
論文 参考訳(メタデータ) (2021-09-29T18:08:42Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳(メタデータ) (2021-06-20T16:06:26Z) - Sparse Auxiliary Networks for Unified Monocular Depth Prediction and
Completion [56.85837052421469]
コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。
本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。
sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
論文 参考訳(メタデータ) (2021-03-30T21:22:26Z) - Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。
画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。
私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
論文 参考訳(メタデータ) (2021-02-21T05:24:18Z) - Video Depth Estimation by Fusing Flow-to-Depth Proposals [65.24533384679657]
本稿では,映像深度推定のためのフロー・ツー・ディープス・レイヤの異なる手法を提案する。
モデルは、フロー・トゥ・ディープス層、カメラ・ポーズ・リファインメント・モジュール、ディープ・フュージョン・ネットワークから構成される。
提案手法は,最先端の深度推定法より優れ,合理的なデータセット一般化能力を有する。
論文 参考訳(メタデータ) (2019-12-30T10:45:57Z)
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。