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
- SALINA: Towards Sustainable Live Sonar Analytics in Wild Ecosystems [12.711126566709076]
本稿では,サステナブルライブソナー分析システムであるSALINAを紹介する。
SALINAは空間的および時間的適応による音響ソナーデータのリアルタイム処理を可能にする。
SALINAは6ヶ月間、カナダのブリティッシュコロンビア州の2つの内陸河川に配備された。
論文 参考訳（メタデータ） (2024-10-10T00:32:28Z) - 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) - 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) - 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) - Survey of Automatic Plankton Image Recognition: Challenges, Existing
Solutions and Future Perspectives [0.17976232077413598]
プランクトン生物は水生生態系の重要な要素であり、環境の変化に迅速に反応する。
現代のプランクトンイメージング装置は、高頻度でサンプリングするために利用することができ、プランクトン集団を研究する新しい可能性を可能にしている。
しかし、データの手動分析はコストがかかり、時間がかかり、専門家がベースとなっているため、大規模なアプリケーションには適さない。
大量の研究が行われたにも拘わらず、自動的な手法は運用に広く採用されていない。
論文 参考訳（メタデータ） (2023-05-19T15:20:00Z) - Automated Detection of Dolphin Whistles with Convolutional Networks and
Transfer Learning [7.52108936537426]
畳み込みニューラルネットワークは、従来の自動手法よりもはるかに優れていることを示す。
提案システムでは、周囲雑音の存在下でも信号を検出することができるが、同時に、偽陽性や偽陰性を生成する可能性も一貫して低減できる。
論文 参考訳（メタデータ） (2022-11-28T15:06:46Z) - 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) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - A Real-time Edge-AI System for Reef Surveys [6.070670469403929]
ソーン・オブ・ソーン・スターフィッシュ(英: Crown-of-Thorn Starfish、COTS)は、グレートバリアリーフでサンゴが失われた主な原因である。
我々は,COTSモニタリングのためのエッジデバイス上で,機械学習に基づく総合的な水中データ収集とキュレーションシステムを提案する。
論文 参考訳（メタデータ） (2022-08-01T04:06:14Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - 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。