論文の概要: Reducing Label Dependency for Underwater Scene Understanding: A Survey of Datasets, Techniques and Applications

• arxiv url: http://arxiv.org/abs/2411.11287v1
• Date: Mon, 18 Nov 2024 05:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:33:06.118725
• Title: Reducing Label Dependency for Underwater Scene Understanding: A Survey of Datasets, Techniques and Applications
• Title（参考訳）: 水中シーン理解のためのラベル依存性の低減:データセット,技術,応用に関する調査
• Authors: Scarlett Raine, Frederic Maire, Niko Suenderhauf, Tobias Fischer,
• Abstract要約: 調査は、人間の専門家の入力への依存を減らすアプローチに焦点を当てている。 弱く自己監督的な深層学習の背景を提供し、これらの要素を水中モニタリング、コンピュータビジョン、深層学習の交差点を中心とする分類学に統合する。
• 参考スコア（独自算出の注目度）: 3.4210271593052606
• License:
• Abstract: Underwater surveys provide long-term data for informing management strategies, monitoring coral reef health, and estimating blue carbon stocks. Advances in broad-scale survey methods, such as robotic underwater vehicles, have increased the range of marine surveys but generate large volumes of imagery requiring analysis. Computer vision methods such as semantic segmentation aid automated image analysis, but typically rely on fully supervised training with extensive labelled data. While ground truth label masks for tasks like street scene segmentation can be quickly and affordably generated by non-experts through crowdsourcing services like Amazon Mechanical Turk, ecology presents greater challenges. The complexity of underwater images, coupled with the specialist expertise needed to accurately identify species at the pixel level, makes this process costly, time-consuming, and heavily dependent on domain experts. In recent years, some works have performed automated analysis of underwater imagery, and a smaller number of studies have focused on weakly supervised approaches which aim to reduce the expert-provided labelled data required. This survey focuses on approaches which reduce dependency on human expert input, while reviewing the prior and related approaches to position these works in the wider field of underwater perception. Further, we offer an overview of coastal ecosystems and the challenges of underwater imagery. We provide background on weakly and self-supervised deep learning and integrate these elements into a taxonomy that centres on the intersection of underwater monitoring, computer vision, and deep learning, while motivating approaches for weakly supervised deep learning with reduced dependency on domain expert data annotations. Lastly, the survey examines available datasets and platforms, and identifies gaps, barriers, and opportunities for automating underwater surveys.
• Abstract（参考訳）: 水中調査は、管理戦略のインフォーム、サンゴ礁の健康状態のモニタリング、および青い炭素在庫の推定のための長期的なデータを提供する。 ロボット水中車両のような広範囲にわたる調査手法の進歩は、海洋調査の範囲を拡大する一方で、分析を必要とする大量の画像を生成する。 セグメンテーションのようなコンピュータビジョンの手法は自動画像解析を補助するが、通常は広範囲のラベル付きデータによる完全な教師付きトレーニングに頼っている。 Amazon Mechanical Turkのようなクラウドソーシングサービスを通じて、ストリートシーンのセグメンテーションのようなタスクのための地上の真面目なラベルマスクを、非専門家によって迅速かつ安価に生成することができる一方で、エコロジーはより大きな課題を提示している。 水中画像の複雑さは、ピクセルレベルでの種を正確に識別するために必要な専門知識と相まって、このプロセスはコストがかかり、時間がかかり、ドメインの専門家に大きく依存する。 近年、水中画像の自動解析が実施されている研究も少なく、専門家が提供したラベル付きデータの削減を目的とした、弱教師付きアプローチに重点を置いている研究もある。 この調査は、人間の専門家の入力への依存を減らすアプローチに焦点を当て、これらの研究をより広い水中知覚領域に配置するための先行的および関連するアプローチをレビューする。 さらに,沿岸生態系の概要と水中画像の課題について述べる。 我々は、弱い教師付き深層学習の背景を提供し、これらの要素を水中監視、コンピュータビジョン、深層学習の交点を中心とする分類学に統合するとともに、ドメインエキスパートデータアノテーションへの依存を減らして弱教師付き深層学習へのアプローチを動機付けている。 最後に、調査は利用可能なデータセットとプラットフォームを調査し、水中調査を自動化するためのギャップ、障壁、機会を特定する。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• 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)
• 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)
• The State of Aerial Surveillance: A Survey [62.198765910573556]
  本稿では、コンピュータビジョンとパターン認識の観点から、人間中心の空中監視タスクの概要を概観する。 主な対象は、単体または複数の被験者が検出され、特定され、追跡され、再同定され、その振る舞いが分析される人間である。
  論文  参考訳（メタデータ） (2022-01-09T20:13:27Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook [8.3226670069051]
  本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。 本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。 我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
  論文  参考訳（メタデータ） (2021-09-29T21:59:16Z)
• Automatic Gaze Analysis: A Survey of DeepLearning based Approaches [61.32686939754183]
  視線分析はコンピュータビジョンとヒューマン・コンピュータ・インタラクションの分野で重要な研究課題である。 制約のない環境で視線方向を解釈するための重要な手がかりは何か、いくつかのオープンな質問がある。 我々は、これらの基本的な疑問に光を当てるために、様々な視線分析タスクと応用の進捗を概観する。
  論文  参考訳（メタデータ） (2021-08-12T00:30:39Z)
• Predicting Themes within Complex Unstructured Texts: A Case Study on Safeguarding Reports [66.39150945184683]
  本稿では,教師付き分類手法を用いた保護レポートにおいて,主テーマの自動識別の問題に焦点をあてる。 この結果から,ラベル付きデータに制限のある複雑なタスクであっても,深層学習モデルが対象知識の振る舞いをシミュレートする可能性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T19:48:23Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Complex data labeling with deep learning methods: Lessons from fisheries acoustics [0.0]
  本論文は, 根拠となる真理ラベルが不要であるケーススタディ, エコーグラフラベリングに焦点を当てた。 我々は、非定常データセットでトレーニングされた畳み込みニューラルネットワークが、人間の専門家の補正を必要とする新しいデータセットの一部を強調するために使用できることを実証した。
  論文  参考訳（メタデータ） (2020-10-21T13:49:34Z)
• A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater Visual Analysis [2.6476746128312194]
  我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。 このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。 実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
  論文  参考訳（メタデータ） (2020-08-28T12:20:59Z)

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。