論文の概要: Deep Learning Innovations for Underwater Waste Detection: An In-Depth Analysis

• arxiv url: http://arxiv.org/abs/2405.18299v3
• Date: Sun, 06 Oct 2024 10:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 18:00:33.633665
• Title: Deep Learning Innovations for Underwater Waste Detection: An In-Depth Analysis
• Title（参考訳）: 水中廃棄物検出のための深層学習技術:深部分析
• Authors: Jaskaran Singh Walia, Pavithra L K, Kesar Mehta, Shivram Harshavardhana, Nandini Tyagi,
• Abstract要約: 本稿では, 埋立廃棄物処理とごみ処理の基盤となるため, 最先端のアーキテクチャと既存のデータセットを網羅的に検討する。 第一の目的は、高度な水中センサーと自律型水中車両によって活用される物体の局所化手法のベンチマークを確立することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Addressing the issue of submerged underwater trash is crucial for safeguarding aquatic ecosystems and preserving marine life. While identifying debris present on the surface of water bodies is straightforward, assessing the underwater submerged waste is a challenge due to the image distortions caused by factors such as light refraction, absorption, suspended particles, color shifts, and occlusion. This paper conducts a comprehensive review of state-of-the-art architectures and on the existing datasets to establish a baseline for submerged waste and trash detection. The primary goal remains to establish the benchmark of the object localization techniques to be leveraged by advanced underwater sensors and autonomous underwater vehicles. The ultimate objective is to explore the underwater environment, to identify, and remove underwater debris. The absence of benchmarks (dataset or algorithm) in many researches emphasizes the need for a more robust algorithmic solution. Through this research, we aim to give performance comparative analysis of various underwater trash detection algorithms.
• Abstract（参考訳）: 水没した水中ゴミの問題は、水生生態系の保護と海洋生物の保全に不可欠である。 水面に存在する破片の識別は簡単であるが, 光屈折, 吸収, 懸濁粒子, 色変化, 閉塞などの要因による画像歪みが原因で, 水中下水廃物の評価は困難である。 本稿では, 埋立廃棄物処理とごみ処理の基盤となるため, 最先端のアーキテクチャと既存のデータセットを網羅的に検討する。 第一の目的は、高度な水中センサーと自律型水中車両によって活用される物体の局所化手法のベンチマークを確立することである。 最終的な目的は、水中環境を探索し、水中の破片を特定し、除去することである。 多くの研究におけるベンチマーク(データセットやアルゴリズム)の欠如は、より堅牢なアルゴリズムソリューションの必要性を強調している。 本研究は, 水中ゴミ検出アルゴリズムの性能比較分析を行うことを目的とする。

関連論文リスト

• UW-SDF: Exploiting Hybrid Geometric Priors for Neural SDF Reconstruction from Underwater Multi-view Monocular Images [63.32490897641344]
  ニューラルSDFに基づく多視点水中画像から対象物を再構成するフレームワークを提案する。 再建過程を最適化するためのハイブリッドな幾何学的先行手法を導入し、神経SDF再建の質と効率を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-10T16:33:56Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• FAFA: Frequency-Aware Flow-Aided Self-Supervision for Underwater Object Pose Estimation [65.01601309903971]
  無人水中車両(UUV)の6次元ポーズ推定のための周波数認識フロー支援フレームワークであるFAFAを紹介する。 我々のフレームワークは、3DモデルとRGB画像のみに依存しており、実際のポーズアノテーションや奥行きのような非モダリティデータの必要性を軽減しています。 本研究では,一般的な水中オブジェクトポーズベンチマークにおけるFAFAの有効性を評価し,最先端手法と比較して顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-25T03:54:01Z)
• UMono: Physical Model Informed Hybrid CNN-Transformer Framework for Underwater Monocular Depth Estimation [5.596432047035205]
  水中の単分子深度推定は、水中のシーンの3次元再構成などの作業の基礎となる。 既存の手法では、水中環境の特徴を考慮できない。 本稿では,UMonoと呼ばれる水中単分子深度推定のためのエンドツーエンド学習フレームワークについて述べる。
  論文  参考訳（メタデータ） (2024-07-25T07:52:11Z)
• 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)
• Optimized Custom Dataset for Efficient Detection of Underwater Trash [3.2634122554914002]
  本報告では, 海底破砕物に対するカスタムデータセットの開発と効率的な検出手法を提案する。 データセットは多様な水中環境を含み、デブリのインスタンスの正確なラベル付けのためのアノテーションが組み込まれている。 このカスタムデータセットの主な目的は、最先端のディープラーニングアーキテクチャを活用することで、リッターインスタンスの多様性を高め、深海環境における検出精度を向上させることである。
  論文  参考訳（メタデータ） (2023-05-25T20:28:04Z)
• WaterNeRF: Neural Radiance Fields for Underwater Scenes [6.161668246821327]
  我々は、物理インフォームド深度推定と色補正を可能にするために、ニューラルレイディアンス場(NeRF)の最先端技術を進めた。 提案手法であるWaterNeRFは,水中画像形成のための物理モデルを用いてパラメータを推定する。 劣化した画像と修正された水中画像と、シーンの深い深さの新たなビューを作成できる。
  論文  参考訳（メタデータ） (2022-09-27T00:53:26Z)
• Review On Deep Learning Technique For Underwater Object Detection [0.0]
  水中構造物の修理と維持、海洋科学は水中物体の検出に大きく依存している。 本稿では,水中物体検出に利用されたデータセットの概要について述べる。
  論文  参考訳（メタデータ） (2022-09-21T07:10:44Z)
• A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline [8.326477369707122]
  本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。 物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
  論文  参考訳（メタデータ） (2022-05-20T14:18:17Z)
• 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)
• Underwater image filtering: methods, datasets and evaluation [44.933577173776705]
  水中画像フィルタリング法の設計原理を概観する。 各種水系における画像形成モデルと復元方法の結果について検討する。 ニューラルネットワークのトレーニングや手法評価のためのタスク依存型強化手法とデータセットを提案する。
  論文  参考訳（メタデータ） (2020-12-22T18:56:39Z)

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。