Fugu-MT 論文翻訳(概要): FAD-SAR: A Novel Fishing Activity Detection System via Synthetic Aperture Radar Images Based on Deep Learning Method

論文の概要: FAD-SAR: A Novel Fishing Activity Detection System via Synthetic Aperture Radar Images Based on Deep Learning Method

arxiv url: http://arxiv.org/abs/2404.18245v1
Date: Sun, 28 Apr 2024 16:55:44 GMT
ステータス: 処理完了
システム内更新日: 2024-04-30 15:25:56.918210
Title: FAD-SAR: A Novel Fishing Activity Detection System via Synthetic Aperture Radar Images Based on Deep Learning Method
Title（参考訳）: FAD-SAR:深層学習に基づく合成開口レーダ画像による漁業活動検出システム
Authors: Yanbing Bai, Rui-Yang Ju, Siao Li, Zihao Yang, Jinze Yu,
Abstract要約: 違法で、報告されず、規制されていない(IUU)漁業は、人間の生活の様々な側面に深刻な影響を及ぼす。海上でのIUU活動の検出と監視の現在の方法には限界がある。本稿では,漁業活動を検出するための深層学習システムを提案する。
参考スコア（独自算出の注目度）: 2.5764960393034615
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Illegal, unreported, and unregulated (IUU) fishing seriously affects various aspects of human life. However, current methods for detecting and monitoring IUU activities at sea have limitations. While Synthetic Aperture Radar (SAR) can complement existing vessel detection systems, extracting useful information from SAR images using traditional methods, especially for IUU fishing identification, poses challenges. This paper proposes a deep learning-based system for detecting fishing activities. We implemented this system on the xView3 dataset using six classical object detection models: Faster R-CNN, Cascade R-CNN, SSD, RetinaNet, FSAF, and FCOS. We applied improvement methods to enhance the performance of the Faster R-CNN model. Specifically, training the Faster R-CNN model using Online Hard Example Mining (OHEM) strategy improved the Avg-F1 value from 0.212 to 0.216, representing a 1.96% improvement.
Abstract（参考訳）: 違法で、報告されず、規制されていない(IUU)漁業は、人間の生活の様々な側面に深刻な影響を及ぼす。しかし、海中におけるIUU活動の検出とモニタリングの現在の手法には限界がある。 SAR(Synthetic Aperture Radar)は既存の船体検知システムを補完し,特にIUU漁業識別において従来の手法を用いてSAR画像から有用な情報を抽出するが,課題を提起する。本稿では,漁業活動を検出するための深層学習システムを提案する。我々は, 高速R-CNN, Cascade R-CNN, SSD, RetinaNet, FSAF, FCOSの6つの古典的オブジェクト検出モデルを用いて, このシステムをxView3データセット上に実装した。我々は,より高速なR-CNNモデルの性能向上のために改良手法を適用した。具体的には、オンラインハードケースマイニング(OHEM)戦略を用いたより高速なR-CNNモデルのトレーニングにより、Avg-F1値は0.212から0.216に改善され、1.96%改善された。

関連論文リスト

IncSAR: A Dual Fusion Incremental Learning Framework for SAR Target Recognition [13.783950035836593]
IncSARは、ターゲット認識における破滅的な忘れに対処するために設計された漸進的な学習フレームワークである。 SAR画像に固有のスペックルノイズを軽減するため、ニューラルネットワーク近似に基づくデノナイジングモジュールを用いる。 MSTAR、SAR-AIRcraft-1.0、OpenSARShipベンチマークデータセットの実験は、IncSARが最先端のアプローチを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2024-10-08T08:49:47Z)
Faster Than Lies: Real-time Deepfake Detection using Binary Neural Networks [0.0]
ディープフェイク検出は、オンラインコンテンツへの信頼を損なうディープフェイクメディアの拡散と対比することを目的としている。本稿では,BNN(Binary Neural Networks)を用いた画像に対する新しいディープフェイク検出手法を提案する。
論文参考訳（メタデータ） (2024-06-07T13:37:36Z)
Histogram Layer Time Delay Neural Networks for Passive Sonar Classification [58.720142291102135]
時間遅延ニューラルネットワークとヒストグラム層を組み合わせた新しい手法により,特徴学習の改善と水中音響目標分類を実現する。提案手法はベースラインモデルより優れており,受動的ソナー目標認識のための統計的文脈を取り入れた有効性を示す。
論文参考訳（メタデータ） (2023-07-25T19:47:26Z)
Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文参考訳（メタデータ） (2023-07-20T16:00:19Z)
Fusing Event-based Camera and Radar for SLAM Using Spiking Neural Networks with Continual STDP Learning [7.667590910539249]
本研究では、イベントベースのカメラと、ドローンナビゲーションのための周波数変調連続波(FMCW)レーダを融合した、第一種SLAMアーキテクチャを提案する。各センサーはバイオインスパイアされたスパイキングニューラルネットワーク(SNN)によって処理され、連続的なスパイク・タイミング・依存塑性(STDP)学習を行う。 DVS-Radar SLAM手法のロバスト性を実証した。
論文参考訳（メタデータ） (2022-10-09T12:05:19Z)
Context-Preserving Instance-Level Augmentation and Deformable Convolution Networks for SAR Ship Detection [50.53262868498824]
ランダムな方向と部分的な情報損失によるSAR画像のターゲット形状の変形は、SAR船の検出において必須の課題である。ターゲット内の部分的な情報損失に頑健なディープネットワークをトレーニングするためのデータ拡張手法を提案する。
論文参考訳（メタデータ） (2022-02-14T07:01:01Z)
New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2021-10-28T18:10:26Z)
Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文参考訳（メタデータ） (2021-07-27T06:57:56Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Wireless Sensing With Deep Spectrogram Network and Primitive Based Autoregressive Hybrid Channel Model [20.670058030653458]
無線センシングに基づくヒューマンモーション認識(hmr)は,シーン理解のための低コスト手法である。現在のHMRシステムは、レーダー信号を分類するためにサポートベクターマシン(SVM)と畳み込みニューラルネットワーク(CNN)を採用している。本稿では,残差マッピング技術を利用してHMR性能を向上させるディープ・スペクトログラム・ネットワーク(DSN)を提案する。
論文参考訳（メタデータ） (2021-04-21T06:33:01Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)

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。