論文の概要: ODYSSEE: Oyster Detection Yielded by Sensor Systems on Edge Electronics
- arxiv url: http://arxiv.org/abs/2409.07003v1
- Date: Wed, 11 Sep 2024 04:31:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-12 15:36:35.558104
- Title: ODYSSEE: Oyster Detection Yielded by Sensor Systems on Edge Electronics
- Title(参考訳): ODYSSEE:エッジエレクトロニクスのセンサシステムによるオイスター検出
- Authors: Xiaomin Lin, Vivek Mange, Arjun Suresh, Bernhard Neuberger, Aadi Palnitkar, Brendan Campbell, Alan Williams, Kleio Baxevani, Jeremy Mallette, Alhim Vera, Markus Vincze, Ioannis Rekleitis, Herbert G. Tanner, Yiannis Aloimonos,
- Abstract要約: オイスターは沿岸生態系において重要な種であり、経済的、環境的、文化的な利益を提供している。
現在の監視システムは、しばしば破壊的であり、通常、カキを物理的に収集し数えるために干ばつを伴っている。
非破壊的な代替手段は、ダイバーが収集したビデオ映像から手動で識別することである。
人間の監視の代替として、訓練されたオブジェクト検出モデルによるシステムのデプロイが、フィールド内のエッジカキ検出にリアルタイムで実行される。
- 参考スコア(独自算出の注目度): 14.935296890629795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Oysters are a keystone species in coastal ecosystems, offering significant economic, environmental, and cultural benefits. However, current monitoring systems are often destructive, typically involving dredging to physically collect and count oysters. A nondestructive alternative is manual identification from video footage collected by divers, which is time-consuming and labor-intensive with expert input. An alternative to human monitoring is the deployment of a system with trained object detection models that performs real-time, on edge oyster detection in the field. One such platform is the Aqua2 robot. Effective training of these models requires extensive high-quality data, which is difficult to obtain in marine settings. To address these complications, we introduce a novel method that leverages stable diffusion to generate high-quality synthetic data for the marine domain. We exploit diffusion models to create photorealistic marine imagery, using ControlNet inputs to ensure consistency with the segmentation ground-truth mask, the geometry of the scene, and the target domain of real underwater images for oysters. The resulting dataset is used to train a YOLOv10-based vision model, achieving a state-of-the-art 0.657 mAP@50 for oyster detection on the Aqua2 platform. The system we introduce not only improves oyster habitat monitoring, but also paves the way to autonomous surveillance for various tasks in marine contexts, improving aquaculture and conservation efforts.
- Abstract(参考訳): オイスターは沿岸生態系において重要な種であり、経済的、環境的、文化的な利益を提供している。
しかし、現在の監視システムは、しばしば破壊的であり、通常、カキを物理的に収集し数えるために干ばつを伴っている。
非破壊的な代替手段は、ダイバーが収集したビデオ映像から手動で識別することである。
人間の監視の代替として、訓練されたオブジェクト検出モデルによるシステムのデプロイが、フィールド内のエッジカキ検出にリアルタイムで実行される。
そのようなプラットフォームのひとつがAqua2ロボットだ。
これらのモデルの効果的な訓練には広範囲な高品質なデータが必要であるが、海洋環境下では入手が困難である。
これらの問題に対処するために, 安定拡散を利用して, 海洋ドメインの高品質な合成データを生成する新しい手法を提案する。
我々は拡散モデルを利用して光リアルな海洋画像を作成し、制御ネット入力を用いて、セグメンテーション・グラウンド・トゥルースマスク、シーンの幾何学、カキの実際の水中画像のターゲット領域との整合性を確保する。
その結果得られたデータセットは、YOLOv10ベースのビジョンモデルをトレーニングするために使用され、Aqua2プラットフォーム上でカキを検出するための最先端の0.657 mAP@50を達成する。
本システムでは, カキの生息環境モニタリングを改善するだけでなく, 海洋環境における各種タスクの自律的な監視, 養殖と保全の取り組みも改善する。
関連論文リスト
- Automatic Coral Detection with YOLO: A Deep Learning Approach for Efficient and Accurate Coral Reef Monitoring [0.0]
サンゴ礁は、人為的な影響や気候変動によって脅威にさらされている重要な生態系である。
本稿では,深層学習モデルを用いたサンゴ自動検出システムを提案する。
論文 参考訳(メタデータ) (2024-04-03T08:00:46Z) - A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳(メタデータ) (2023-11-27T07:19:41Z) - Improving Underwater Visual Tracking With a Large Scale Dataset and
Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。
水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。
本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。
この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文 参考訳(メタデータ) (2023-08-30T07:41:26Z) - Evaluating Deep Learning Assisted Automated Aquaculture Net Pens
Inspection Using ROV [0.27309692684728615]
魚は魚の養殖場から海に逃げ出す。
従来の検査システムは、専門家のダイバーやROVによる視覚検査に依存している。
本稿では,養殖網ペンを対象としたロボットによる自動網欠陥検出システムについて述べる。
論文 参考訳(メタデータ) (2023-08-26T09:35:49Z) - 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) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳(メタデータ) (2023-08-14T16:48:57Z) - Camouflaged Image Synthesis Is All You Need to Boost Camouflaged
Detection [65.8867003376637]
本研究では,カモフラージュデータの合成フレームワークを提案する。
提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。
我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-08-13T06:55:05Z) - Semi-Supervised Visual Tracking of Marine Animals using Autonomous
Underwater Vehicles [0.40498500266986387]
海洋生物のその場での視覚観察は、行動的理解と周囲の生態系との関係の発達に不可欠である。
近年、カメラとGPU機能を備えた組み込みコンピュータを備えた自律型水中車両が様々な用途で開発されている。
半教師付き追跡アルゴリズムは、完全な教師付き追跡アルゴリズムよりも少ないデータを必要とするため、代替の追跡ソリューションを提供することができる。
論文 参考訳(メタデータ) (2023-02-14T21:08:52Z) - OysterNet: Enhanced Oyster Detection Using Simulation [12.282807381883542]
オイスターは湾の生物生態系において重要な役割を担い、海洋の生物フィルターと見なされている。
そこで本研究では, カキのイメージを数学的にモデル化し, シミュレーションでレンダリングすることで, 検出性能を最小限の実データで向上する手法を提案する。
論文 参考訳(メタデータ) (2022-09-16T21:35:45Z) - Applications of Deep Learning in Fish Habitat Monitoring: A Tutorial and
Survey [1.9249287163937976]
ディープラーニング(DL)は最先端のAI技術であり、ビジュアルデータを分析する上で前例のないパフォーマンスを示している。
本稿では,DLの重要な概念を網羅するチュートリアルを紹介し,DLの動作に関する高レベルな理解を支援する。
チュートリアルではまた、水中魚のモニタリングのような挑戦的な応用のために、DLアルゴリズムをどのように開発すべきかをステップバイステップで説明する。
論文 参考訳(メタデータ) (2022-06-11T01:59:54Z) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳(メタデータ) (2020-11-28T05:51:19Z)
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。
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。