論文の概要: A method for detecting dead fish on large water surfaces based on improved YOLOv10
- arxiv url: http://arxiv.org/abs/2409.00388v1
- Date: Sat, 31 Aug 2024 08:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 15:08:42.476815
- Title: A method for detecting dead fish on large water surfaces based on improved YOLOv10
- Title(参考訳): 改良型YOLOv10による大型水面魚の捕食方法
- Authors: Qingbin Tian, Yukang Huo, Mingyuan Yao, Haihua Wang,
- Abstract要約: 死んだ魚は水質の悪化、生態系の損傷、病気の伝染などの重大な問題を引き起こす可能性がある。
本稿では,拡張YOLOv10フレームワーク上に構築したエンドツーエンド検出モデルを提案する。
- 参考スコア(独自算出の注目度): 0.6874745415692134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dead fish frequently appear on the water surface due to various factors. If not promptly detected and removed, these dead fish can cause significant issues such as water quality deterioration, ecosystem damage, and disease transmission. Consequently, it is imperative to develop rapid and effective detection methods to mitigate these challenges. Conventional methods for detecting dead fish are often constrained by manpower and time limitations, struggling to effectively manage the intricacies of aquatic environments. This paper proposes an end-to-end detection model built upon an enhanced YOLOv10 framework, designed specifically to swiftly and precisely detect deceased fish across extensive water surfaces.Key enhancements include: (1) Replacing YOLOv10's backbone network with FasterNet to reduce model complexity while maintaining high detection accuracy; (2) Improving feature fusion in the Neck section through enhanced connectivity methods and replacing the original C2f module with CSPStage modules; (3) Adding a compact target detection head to enhance the detection performance of smaller objects. Experimental results demonstrate significant improvements in P(precision), R(recall), and AP(average precision) compared to the baseline model YOLOv10n. Furthermore, our model outperforms other models in the YOLO series by significantly reducing model size and parameter count, while sustaining high inference speed and achieving optimal AP performance. The model facilitates rapid and accurate detection of dead fish in large-scale aquaculture systems. Finally, through ablation experiments, we systematically analyze and assess the contribution of each model component to the overall system performance.
- Abstract(参考訳): 死んだ魚は様々な要因により水面によく現れる。
もしすぐに検出され、取り除かれなければ、これらの死んだ魚は水質の劣化、生態系の損傷、病気の伝染などの重大な問題を引き起こす可能性がある。
したがって、これらの課題を緩和するために、迅速かつ効果的な検出方法を開発することが不可欠である。
死んだ魚を検知する従来の方法は、しばしば人力と時間制限によって制限され、水生環境の複雑さを効果的に管理するのに苦労する。
本稿では, ヨロブ10の背中骨ネットワークを高速ネットに置き換えることにより, 高検出精度を維持しつつ, モデルの複雑さを低減し, 接続性を高め, 元のC2fモジュールをCSPStageモジュールに置き換えることによるネック区間の機能融合の改善, (3) 小型ターゲット検出ヘッドの追加により, 小型物体の検出性能が向上する。
実験の結果,P(精度),R(リコール),AP(平均精度)はベースラインモデルYOLOv10nに比べて有意に改善した。
さらに、モデルサイズとパラメータ数を大幅に削減し、高い推論速度を維持し、最適なAP性能を実現することで、YOLOシリーズの他のモデルよりも優れています。
このモデルは大規模養殖システムにおける死んだ魚の迅速かつ正確な検出を容易にする。
最後に、アブレーション実験を通じて、各モデルコンポーネントがシステム全体の性能に与える影響を系統的に分析し、評価する。
関連論文リスト
- LAM-YOLO: Drones-based Small Object Detection on Lighting-Occlusion Attention Mechanism YOLO [0.9062164411594178]
LAM-YOLOは、ドローンベースの画像に特化して設計されたオブジェクト検出モデルである。
我々は、異なる照明条件下での小さな目標の視認性を高めるために、光遮断注意機構を導入する。
次に、回帰損失関数として改良されたSIB-IoUを用いてモデル収束を加速し、局所化精度を向上させる。
論文 参考訳(メタデータ) (2024-11-01T10:00:48Z) - FMRFT: Fusion Mamba and DETR for Query Time Sequence Intersection Fish Tracking [3.599033310931609]
本稿では,複雑なマルチシナリオ・スタージョン追跡データセットを確立する。
リアルタイムの魚追跡ソリューションであるFMRFTモデルを導入している。
このモデルは、ビデオメモリ消費の少ないMamba In Mambaアーキテクチャを取り入れている。
論文 参考訳(メタデータ) (2024-09-02T10:33:45Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳(メタデータ) (2024-06-05T06:18:03Z) - MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。
ViT法はトランスの表現性を生かし,優れた検出性能を実現する。
この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
論文 参考訳(メタデータ) (2024-04-12T13:02:08Z) - FishMOT: A Simple and Effective Method for Fish Tracking Based on IoU
Matching [11.39414015803651]
FishMOTは、オブジェクト検出とObjectoUマッチングを組み合わせた、新しい魚追跡手法である。
本手法は, 各種環境および魚の数に対して, 優れた堅牢性と汎用性を示す。
論文 参考訳(メタデータ) (2023-09-06T13:16:41Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳(メタデータ) (2023-08-18T13:13:09Z) - DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。
このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。
I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
論文 参考訳(メタデータ) (2023-05-26T13:41:35Z) - Underwater target detection based on improved YOLOv7 [7.264267222876267]
本研究では,水中目標検出のための改良型YOLOv7ネットワーク(YOLOv7-AC)を提案する。
提案するネットワークは、ACmixBlockモジュールを使用して、E-ELAN構造の3x3畳み込みブロックを置き換える。
ResNet-ACmixモジュールは、特徴情報の損失を回避し、計算量を削減するように設計されている。
論文 参考訳(メタデータ) (2023-02-14T09:50:52Z) - Watermarking for Out-of-distribution Detection [76.20630986010114]
Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。
本稿では,透かしという一般的な手法を提案する。
我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
論文 参考訳(メタデータ) (2022-10-27T06:12:32Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳(メタデータ) (2022-07-21T12:03:02Z) - Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。
信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。
また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
論文 参考訳(メタデータ) (2022-04-06T06:39:40Z)
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。