論文の概要: FishNet: Deep Neural Networks for Low-Cost Fish Stock Estimation
- arxiv url: http://arxiv.org/abs/2403.10916v2
- Date: Thu, 27 Jun 2024 19:43:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 21:25:00.726647
- Title: FishNet: Deep Neural Networks for Low-Cost Fish Stock Estimation
- Title（参考訳）: FishNet:低コスト魚種推定のためのディープニューラルネットワーク
- Authors: Moseli Mots'oehli, Anton Nikolaev, Wawan B. IGede, John Lynham, Peter J. Mous, Peter Sadowski,
- Abstract要約: FishNetは、分類分類と魚の大きさ推定の両方を自動化したコンピュータビジョンシステムである。
我々は163種の1.2万魚を含む30万枚の手ラベル画像のデータセットを使用する。
魚の区分け作業では92%、単一魚種分類では89%、魚長推定では2.3cmの平均絶対誤差が達成されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fish stock assessment often involves manual fish counting by taxonomy specialists, which is both time-consuming and costly. We propose FishNet, an automated computer vision system for both taxonomic classification and fish size estimation from images captured with a low-cost digital camera. The system first performs object detection and segmentation using a Mask R-CNN to identify individual fish from images containing multiple fish, possibly consisting of different species. Then each fish species is classified and the length is predicted using separate machine learning models. To develop the model, we use a dataset of 300,000 hand-labeled images containing 1.2M fish of 163 different species and ranging in length from 10cm to 250cm, with additional annotations and quality control methods used to curate high-quality training data. On held-out test data sets, our system achieves a 92% intersection over union on the fish segmentation task, a 89% top-1 classification accuracy on single fish species classification, and a 2.3cm mean absolute error on the fish length estimation task.
- Abstract（参考訳）: 魚の在庫評価は、しばしば、時間と費用のかかる分類の専門家による手動の魚の数え方にかかわる。
そこで我々は,低コストのデジタルカメラで撮影された画像から分類分類と魚の大きさ推定を行うコンピュータビジョンシステム「フィッシュネット」を提案する。
このシステムはまずMask R-CNNを用いて物体の検出とセグメンテーションを行い、おそらく異なる種からなる複数の魚を含む画像から個々の魚を識別する。
次に、各魚種を分類し、その長さを別の機械学習モデルを用いて予測する。
モデルの開発には,163種の1.2万魚を含む30万枚の手書き画像を用いて,10cmから250cmまでの長さのデータセットを用いて,高品質なトレーニングデータをキュレートするためのアノテーションと品質管理手法を適用した。
その結果,本研究では,魚の捕集作業において92%の団結が達成され,魚種別では89%のトポ-1分類精度,魚長推定タスクでは2.3cmの平均絶対誤差が達成された。
関連論文リスト
- Learning the 3D Fauna of the Web [70.01196719128912]
3D-Faunaは,100種以上の動物種を対象に,パンカテゴリーで変形可能な3D動物モデルを共同で学習する手法である。
動物モデリングにおける重要なボトルネックの1つは、トレーニングデータの可用性の制限である。
従来のカテゴリー固有の試みは,訓練画像に制限のある希少種への一般化に失敗することを示す。
論文 参考訳（メタデータ） (2024-01-04T18:32:48Z) - Lightweight Fish Classification Model for Sustainable Marine Management:
Indonesian Case [2.94944680995069]
オーバーフィッシングは 持続可能な海洋開発における 主要な問題の一つです
本研究は,保護魚種の識別を支援する魚類分類技術の進歩について提案する。
インドネシア列島沖で発見された魚の37,462枚の画像のラベル付きデータセットを収集した。
論文 参考訳（メタデータ） (2024-01-04T13:56:54Z) - Egocentric Whole-Body Motion Capture with FisheyeViT and Diffusion-Based
Motion Refinement [65.08165593201437]
本研究では,人体と手の動きを同時に推定する単一魚眼カメラを用いて,自我中心型全体モーションキャプチャーを探索する。
この課題は、高品質なデータセットの欠如、魚眼カメラの歪み、人間の身体の自己閉塞など、重大な課題を提起する。
そこで本研究では,魚眼画像の特徴を3次元人体ポーズ予測のための3次元熱マップ表現に変換した魚眼画像の特徴を抽出する手法を提案する。
論文 参考訳（メタデータ） (2023-11-28T07:13:47Z) - 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) - Bugs in the Data: How ImageNet Misrepresents Biodiversity [98.98950914663813]
ImageNet-1k検証セットで野生動物を表す269のクラスから13450の画像を解析した。
多くのクラスが未定義あるいは重複しており、画像の12%が誤ってラベル付けされていることがわかった。
また,ImageNet-1kに含まれる野生生物関連ラベルと画像の両方が,地理的,文化的に有意な偏見を呈していることがわかった。
論文 参考訳（メタデータ） (2022-08-24T17:55:48Z) - The Fishnet Open Images Database: A Dataset for Fish Detection and
Fine-Grained Categorization in Fisheries [0.0]
商業漁船における魚の発見と細粒度分類の大規模データセットである魚網オープン画像データベースについて述べる。
データセットは、34のオブジェクトクラスを含む86,029の画像で構成されており、これまでで最大かつ最も多様な水産EM画像の公開データセットとなっている。
我々は,既存の検出・分類アルゴリズムの性能を評価し,そのデータセットが漁業におけるコンピュータビジョンアルゴリズム開発のための挑戦的なベンチマークとなることを示す。
論文 参考訳（メタデータ） (2021-06-16T23:53:18Z) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳（メタデータ） (2020-11-28T05:51:19Z) - FishNet: A Unified Embedding for Salmon Recognition [0.37798600249187286]
そこで我々は,人間の識別に成功している深層学習技術に基づく魚網を提案する。
実験の結果,このアーキテクチャはサルモン頭部の画像に基づいて有用な表現を学習していることがわかった。
FishNetは偽陽性率1%、真陽性率96%を達成している。
論文 参考訳（メタデータ） (2020-10-20T17:35:01Z) - Counting Fish and Dolphins in Sonar Images Using Deep Learning [0.40611352512781856]
魚とイルカの量推定の現在の方法は、視覚的および捕獲・放出戦略を用いた現場サンプリングによって行われる。
本研究では,漁船の背部から採取したソナー画像から,魚とイルカの深層学習を用いた魚量推定手法を提案する。
論文 参考訳（メタデータ） (2020-07-24T23:52:03Z) - Temperate Fish Detection and Classification: a Deep Learning based
Approach [6.282069822653608]
本研究では,2段階の深層学習手法を提案する。
最初のステップは、種や性別によらず、画像中の各魚を検出することです。
第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
論文 参考訳（メタデータ） (2020-05-14T12:40:57Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。