Fugu-MT 論文翻訳(概要): Underwater litter monitoring using consumer-grade aerial-aquatic speedy scanner (AASS) and deep learning based super-resolution reconstruction and detection network

論文の概要: Underwater litter monitoring using consumer-grade aerial-aquatic speedy scanner (AASS) and deep learning based super-resolution reconstruction and detection network

arxiv url: http://arxiv.org/abs/2408.03564v1
Date: Wed, 7 Aug 2024 05:56:05 GMT
ステータス: 処理完了
システム内更新日: 2024-08-08 13:43:46.308744
Title: Underwater litter monitoring using consumer-grade aerial-aquatic speedy scanner (AASS) and deep learning based super-resolution reconstruction and detection network
Title（参考訳）: 消費者用空中水速スキャナ(AASS)と深層学習に基づく超高分解能再構築・検出ネットワークを用いた水中リッターモニタリング
Authors: Fan Zhao, Yongying Liu, Jiaqi Wang, Yijia Chen, Dianhan Xi, Xinlei Shao, Shigeru Tabeta, Katsunori Mizuno,
Abstract要約: 本研究では,Aerial-Aquatic Speedy Scanner (AASS) とSuper-Resolution Reconstruction (SRR) と改良されたYOLOv8検出ネットワークを紹介する。 AASSは従来の手法よりもデータ取得効率を高め、水中の廃棄物を正確に識別する高品質な画像をキャプチャする。 SRRは、動きのぼやけと解像度の不十分さを軽減し、画像分解能を向上させる。
参考スコア（独自算出の注目度）: 19.943809531496388
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Underwater litter is widely spread across aquatic environments such as lakes, rivers, and oceans, significantly impacting natural ecosystems. Current monitoring technologies for detecting underwater litter face limitations in survey efficiency, cost, and environmental conditions, highlighting the need for efficient, consumer-grade technologies for automatic detection. This research introduces the Aerial-Aquatic Speedy Scanner (AASS) combined with Super-Resolution Reconstruction (SRR) and an improved YOLOv8 detection network. AASS enhances data acquisition efficiency over traditional methods, capturing high-quality images that accurately identify underwater waste. SRR improves image-resolution by mitigating motion blur and insufficient resolution, thereby enhancing detection tasks. Specifically, the RCAN model achieved the highest mean average precision (mAP) of 78.6% for detection accuracy on reconstructed images among the tested SRR models. With a magnification factor of 4, the SRR test set shows an improved mAP compared to the conventional bicubic set. These results demonstrate the effectiveness of the proposed method in detecting underwater litter.
Abstract（参考訳）: 水中のゴミは湖、川、海などの水生環境に広く散らばっており、自然生態系に大きな影響を与えている。調査効率、コスト、環境条件における水中ゴミ検出の現在のモニタリング技術は、自動検出のための効率的でコンシューマレベルの技術の必要性を強調している。本研究では,Aerial-Aquatic Speedy Scanner (AASS) とSuper-Resolution Reconstruction (SRR) と改良されたYOLOv8検出ネットワークを紹介する。 AASSは従来の手法よりもデータ取得効率を高め、水中の廃棄物を正確に識別する高品質な画像をキャプチャする。 SRRは、動きのぼやけと解像度の不十分さを軽減し、画像分解能を向上させる。具体的には、RCANモデルは、試験されたSRRモデルのうち、再構成された画像の精度を78.6%と最も高い平均精度(mAP)を達成した。倍率係数が4のSRRテストセットは,従来のバイコビックセットに比べて改善されたmAPを示す。これらの結果から,提案手法の有効性が示唆された。

関連論文リスト

Advanced Underwater Image Quality Enhancement via Hybrid Super-Resolution Convolutional Neural Networks and Multi-Scale Retinex-Based Defogging Techniques [0.0]
この研究は、提案されたアプローチの有効性をさらに説明するために、現実世界の水中データセットに関する広範な実験を行っている。海洋探査、水中ロボティクス、自律水中車両といったリアルタイムの水中アプリケーションでは、ディープラーニングと従来の画像処理技術を組み合わせることで、計算効率の良いフレームワークと優れた結果が得られる。
論文参考訳（メタデータ） (2024-10-18T08:40:26Z)
Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
論文参考訳（メタデータ） (2024-10-08T10:35:32Z)
Monitoring of Hermit Crabs Using drone-captured imagery and Deep Learning based Super-Resolution Reconstruction and Improved YOLOv8 [20.802793519520275]
ハーミットカニは、種を分散させ、ゴミを浄化し、土壌を乱すことによって、沿岸生態系において重要な役割を担っている。従来の調査手法、例えば四重項サンプリングは、労働集約、時間消費、環境依存である。本研究では,UAVを用いたリモートセンシングと超解像再構成(SRR)とCRAB-YOLO検出ネットワークを組み合わせた革新的なアプローチを提案する。
論文参考訳（メタデータ） (2024-08-07T05:47:15Z)
DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文参考訳（メタデータ） (2023-12-12T06:07:21Z)
DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
論文参考訳（メタデータ） (2023-11-30T12:37:53Z)
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)
WaterFlow: Heuristic Normalizing Flow for Underwater Image Enhancement and Beyond [52.27796682972484]
既存の水中画像強調法は, 画像品質の向上に重点を置いており, 実践への影響を無視している。本稿では,検出駆動型水中画像強調のための正規化フローであるWaterFlowを提案する。微分可能性や解釈可能性を考慮すると、事前をデータ駆動マッピング手法に組み込む。
論文参考訳（メタデータ） (2023-08-02T04:17:35Z)
GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-12-07T16:30:51Z)
AquaFeL-PSO: A Monitoring System for Water Resources using Autonomous Surface Vehicles based on Multimodal PSO and Federated Learning [0.0]
水資源の保存、モニタリング、管理は、ここ数十年で大きな課題となっている。本稿では,水質センサを備えた自動表面車両を用いた水質モニタリングシステムを提案する。
論文参考訳（メタデータ） (2022-11-28T10:56:12Z)
SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文参考訳（メタデータ） (2022-06-09T14:00:26Z)

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。