論文の概要: State of the art applications of deep learning within tracking and detecting marine debris: A survey
- arxiv url: http://arxiv.org/abs/2403.18067v1
- Date: Tue, 26 Mar 2024 19:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-28 21:05:06.603074
- Title: State of the art applications of deep learning within tracking and detecting marine debris: A survey
- Title(参考訳): 海洋破片の追跡・検出における深層学習の応用状況:調査
- Authors: Zoe Moorton, Dr. Zeyneb Kurt, Dr. Wai Lok Woo,
- Abstract要約: 我々は,海洋破片の深層学習の最も最近かつ重要な貢献のうち,28点について,より深く,最新の概要と分析を行う。
研究論文の相互参照から、YOLOファミリーは、他のオブジェクト検出方法よりも大幅に優れています。
この分野には、現在機械学習では水中の破片の包括的なデータベースが利用できないという分類学的に合意している、多くの尊敬された貢献がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning techniques have been explored within the marine litter problem for approximately 20 years but the majority of the research has developed rapidly in the last five years. We provide an in-depth, up to date, summary and analysis of 28 of the most recent and significant contributions of deep learning in marine debris. From cross referencing the research paper results, the YOLO family significantly outperforms all other methods of object detection but there are many respected contributions to this field that have categorically agreed that a comprehensive database of underwater debris is not currently available for machine learning. Using a small dataset curated and labelled by us, we tested YOLOv5 on a binary classification task and found the accuracy was low and the rate of false positives was high; highlighting the importance of a comprehensive database. We conclude this survey with over 40 future research recommendations and open challenges.
- Abstract(参考訳): 深層学習技術は、約20年間、海洋ごみ問題の中で研究されてきたが、研究の大部分は、過去5年間に急速に発展してきた。
我々は,海洋破片の深層学習の最も最近かつ重要な貢献のうち,28点について,より深く,最新の概要と分析を行う。
研究論文の相互参照から、YOLOファミリーは、他のすべてのオブジェクト検出方法よりも優れていますが、この分野では、現在、水中の破片の包括的なデータベースは、機械学習では利用できないという分類学的に合意している、多くの重要な貢献があります。
小さなデータセットをキュレートしてラベル付けし、バイナリ分類タスクでYOLOv5をテストしたところ、精度が低く、偽陽性率が高いことが分かり、包括的なデータベースの重要性を強調しました。
この調査は今後40以上の研究勧告とオープンチャレンジで締めくくります。
関連論文リスト
- Meta-survey on outlier and anomaly detection [0.0]
本稿では,一般的な調査の体系的メタサーベイと,異常検出と異常検出に関するレビューを実装した。
2つの専門的な科学的な検索エンジンを使って500近い論文を集めている。
本稿は,20年間にわたる外乱検出フィールドの進化を考察し,新たなテーマと方法を明らかにする。
論文 参考訳(メタデータ) (2023-12-12T09:29:22Z) - Remote Sensing Object Detection Meets Deep Learning: A Meta-review of
Challenges and Advances [51.70835702029498]
本稿では,ディープラーニングに基づくRSOD手法の最近の成果を概観する。
RSODの主な課題として,マルチスケールオブジェクト検出,回転オブジェクト検出,弱いオブジェクト検出,小さなオブジェクト検出,限られた監視を伴うオブジェクト検出の5つを挙げる。
また、RSODの分野で広く使用されているベンチマークデータセットと評価指標、およびRSODのアプリケーションシナリオについてもレビューする。
論文 参考訳(メタデータ) (2023-09-13T06:48:32Z) - Semi-supervised Object Detection: A Survey on Recent Research and
Progress [2.2398477810999817]
半教師対象検出(SSOD)は、高い研究価値と実践性のために、ますます注目されている。
本稿では,5つの側面からSSODのアプローチに関する包括的かつ最新の調査を紹介する。
論文 参考訳(メタデータ) (2023-06-25T02:54:03Z) - Label-Efficient Deep Learning in Medical Image Analysis: Challenges and
Future Directions [10.502964056448283]
医用画像解析のトレーニングモデルは通常、ラベル付きデータの高価で時間を要する。
我々は最近の300以上の論文を網羅的に調査し、MIAにおけるラベル効率学習戦略の進捗状況を概観した。
具体的には、標準半教師付き、自己監督型、マルチインスタンス学習スキームだけでなく、最近出現したアクティブかつアノテーション効率の学習戦略についても詳細に調査する。
論文 参考訳(メタデータ) (2023-03-22T11:51:49Z) - A Guide to Image and Video based Small Object Detection using Deep
Learning : Case Study of Maritime Surveillance [38.88995659233979]
光画像やビデオにおける小さな物体検出は難しい問題である。
最先端のジェネリックオブジェクト検出方法でさえ、そのようなオブジェクトの正確なローカライズと識別に失敗する。
本稿では,既存の文献を要約し,現在の研究の全体像を示す分類法を提案する。
論文 参考訳(メタデータ) (2022-07-26T14:28:38Z) - Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。
我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
論文 参考訳(メタデータ) (2022-06-30T11:39:12Z) - Deep Depth Completion: A Survey [26.09557446012222]
我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。
ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。
室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
論文 参考訳(メタデータ) (2022-05-11T08:24:00Z) - Interpreting Deep Knowledge Tracing Model on EdNet Dataset [67.81797777936868]
この作業では、EdNetと呼ばれる大規模で新しく利用可能なデータセット上で、同様のタスクを実行します。
予備実験の結果,解釈手法の有効性が示された。
論文 参考訳(メタデータ) (2021-10-31T07:18:59Z) - Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。
長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。
本稿では,近年の長期学習の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2021-10-09T15:25:22Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。