Fugu-MT 論文翻訳(概要): Livestock Fish Larvae Counting using DETR and YOLO based Deep Networks

論文の概要: Livestock Fish Larvae Counting using DETR and YOLO based Deep Networks

arxiv url: http://arxiv.org/abs/2408.05032v1
Date: Fri, 9 Aug 2024 12:36:56 GMT
ステータス: 処理完了
システム内更新日: 2024-08-12 15:47:15.151891
Title: Livestock Fish Larvae Counting using DETR and YOLO based Deep Networks
Title（参考訳）: DETRとYOLOを基盤とした深層ネットワークを用いた畜産幼生数測定
Authors: Daniel Ortega de Carvalho, Luiz Felipe Teodoro Monteiro, Fernanda Marques Bazilio, Gabriel Toshio Hirokawa Higa, Hemerson Pistori,
Abstract要約: 魚の幼虫を数えることは、水生栽培において重要な、しかし必要で時間のかかる作業である。魚類幼生計数作業において,畳み込みニューラルネットワークやトランスフォーマーを含む4つのニューラルネットワークアーキテクチャを評価した。
参考スコア（独自算出の注目度）: 39.91678347559224
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Counting fish larvae is an important, yet demanding and time consuming, task in aquaculture. In order to address this problem, in this work, we evaluate four neural network architectures, including convolutional neural networks and transformers, in different sizes, in the task of fish larvae counting. For the evaluation, we present a new annotated image dataset with less data collection requirements than preceding works, with images of spotted sorubim and dourado larvae. By using image tiling techniques, we achieve a MAPE of 4.46% ($\pm 4.70$) with an extra large real time detection transformer, and 4.71% ($\pm 4.98$) with a medium-sized YOLOv8.
Abstract（参考訳）: 魚の幼虫を数えることは、水生栽培において重要な、しかし必要で時間のかかる作業である。この問題に対処するため,本研究では,魚幼虫計数作業において,畳み込みニューラルネットワークやトランスフォーマーを含む4つのニューラルネットワークアーキテクチャを異なる大きさで評価する。そこで,本研究では,先行研究よりも少ないデータ収集条件のアノテート画像データセットを新たに提示し,発見されたセルビムとドウラド幼虫の画像について報告する。画像タイリング技術を用いて,大容量リアルタイム検出変換器を備えたMAPEの4.46% (\pm 4.70$) と,中型YOLOv8を用いた4.71% (\pm 4.98$) を実現した。

関連論文リスト

Active Prompt Tuning Enables Gpt-40 To Do Efficient Classification Of Microscopy Images [0.0]
顕微鏡画像中の細胞の特徴を分類する従来のディープラーニングベースの手法は、トレーニングモデルに時間と労働集約的なプロセスを必要とする。我々は以前、パイロットデータセット上でOpenAIのGPT-4(V)モデルを使用してこれらの課題を克服するソリューションを提案した。パイロットデータセットの結果は精度が同等で、ベースラインに比べてスループットが大幅に向上した。
論文参考訳（メタデータ） (2024-11-04T21:56:48Z)
OpticalRS-4M: Scaling Efficient Masked Autoencoder Learning on Large Remote Sensing Dataset [66.15872913664407]
本稿では、大規模RSデータセットの作成とMIMの効率的なアプローチを特徴とする、RSモデルのための新しい事前学習パイプラインを提案する。我々は、公開可能なRSデータセットを収集し、排除、スライシング、復号化によってそれらを処理することで、OptoRS-4Mという高品質なデータセットをキュレートした。実験により,OCR-4Mは分類,検出,セグメンテーション性能を著しく向上し,SelectiveMAEは2回以上のトレーニング効率を向上させることが示された。
論文参考訳（メタデータ） (2024-06-17T15:41:57Z)
Portuguese Man-of-War Image Classification with Convolutional Neural Networks [58.720142291102135]
ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
論文参考訳（メタデータ） (2022-07-04T03:06:45Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
Efficient deep learning models for land cover image classification [0.29748898344267777]
土地利用土地被覆(LULC)画像分類のためのBigEarthNetデータセットを用いて実験を行った。コンボリューションニューラルネットワーク、マルチ層パーセプトロン、ビジュアルトランスフォーマー、効率的なネットワーク、ワイド残留ネットワーク(WRN)など、さまざまな最先端モデルをベンチマークする。提案する軽量モデルは、訓練可能なパラメータが桁違いに小さく、平均的なFスコア分類精度が19のLULCクラスすべてに対して4.5%向上し、ベースラインとして使用するResNet50の2倍高速に訓練される。
論文参考訳（メタデータ） (2021-11-18T00:03:14Z)
TetraPackNet: Four-Corner-Based Object Detection in Logistics Use-Cases [60.01198542150638]
tetrapacknetはcornernetにインスパイアされ、類似のベースアルゴリズムとアイデアを使っている。定形物体の高精度検出が重要であるため、用途に指定されています。このユースケースのために、我々のモデルを実世界のデータセットで評価する。
論文参考訳（メタデータ） (2021-04-19T08:22:14Z)
Research on Optimization Method of Multi-scale Fish Target Fast Detection Network [11.99307231512725]
2000枚の魚画像でネットワークをテストする精度は94.37%に達し、BFLOPSの計算複雑性はわずか5.47である。その結果, BTP-Yolov3はモデルパラメータが小さく, 計算速度が速く, 運転時のエネルギー消費量も小さいことがわかった。
論文参考訳（メタデータ） (2021-04-11T16:53:34Z)
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)
A New Dataset, Poisson GAN and AquaNet for Underwater Object Grabbing [33.580474181751676]
本研究では,2,227枚の画像を含む3つのカテゴリ(サッカリ,ウニ,ヒノキ)からなる新しいデータセット(UDD)を提案する。また,新しいPoisson-blending Generative Adversarial Network(Poisson GAN)とAquaNet(AquaNet)を提案する。
論文参考訳（メタデータ） (2020-03-03T10:57:52Z)
Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。