論文の概要: Efficient Object Detection of Marine Debris using Pruned YOLO Model

• arxiv url: http://arxiv.org/abs/2501.16571v1
• Date: Mon, 27 Jan 2025 23:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:42:43.774533
• Title: Efficient Object Detection of Marine Debris using Pruned YOLO Model
• Title（参考訳）: Pruned YOLOモデルによる海洋性デブリの効率的な物体検出
• Authors: Abi Aryaza, Novanto Yudistira, Tibyani,
• Abstract要約: 海洋の破片は、ミクロプラスチック、ポリ塩化ビフェニル、殺虫剤などの物質によって海洋生物に大きな被害を与える。 本研究は、Trash-ICRA 19データセットを用いて、海難破片のリアルタイム検出にYOLOv4モデルを用いている。
• 参考スコア（独自算出の注目度）: 2.0209172586699173
• License:
• Abstract: Marine debris poses significant harm to marine life due to substances like microplastics, polychlorinated biphenyls, and pesticides, which damage habitats and poison organisms. Human-based solutions, such as diving, are increasingly ineffective in addressing this issue. Autonomous underwater vehicles (AUVs) are being developed for efficient sea garbage collection, with the choice of object detection architecture being critical. This research employs the YOLOv4 model for real-time detection of marine debris using the Trash-ICRA 19 dataset, consisting of 7683 images at 480x320 pixels. Various modifications-pretrained models, training from scratch, mosaic augmentation, layer freezing, YOLOv4-tiny, and channel pruning-are compared to enhance architecture efficiency. Channel pruning significantly improves detection speed, increasing the base YOLOv4 frame rate from 15.19 FPS to 19.4 FPS, with only a 1.2% drop in mean Average Precision, from 97.6% to 96.4%.
• Abstract（参考訳）: 海洋の破片は、微生物、ポリ塩化ビフェニル、殺虫剤などの物質によって海洋生物に大きな被害を与える。 ダイビングのような人間ベースのソリューションは、この問題に対処する上で、ますます効果が低い。 自律型水中車両(AUV)は効率的な海ゴミ収集のために開発されており、物体検出アーキテクチャの選択が重要である。 本研究は,480x320ピクセルの7683画像からなるTrash-ICRA 19データセットを用いて,海洋破片のリアルタイム検出にYOLOv4モデルを用いる。 スクラッチからのトレーニング、モザイク強化、層凍結、YOLOv4-tiny、チャネルプルーニングなど、様々な修正が推奨されているモデルは、アーキテクチャ効率を向上させるために比較される。 チャネルプルーニングは検出速度を大幅に改善し、ベースYOLOv4のフレームレートを15.19 FPSから19.4 FPSに引き上げ、平均精度は1.2%減の97.6%から96.4%に低下した。

関連論文リスト

• Real-Time Dynamic Scale-Aware Fusion Detection Network: Take Road Damage Detection as an example [3.334973867478745]
  道路被害検知(RDD)は,都市部における日常のメンテナンスと安全のために重要である。 現在のUAVベースのRDD研究は、まだ多くの課題に直面している。 背景干渉を自動的に除去できるマルチスケール適応道路損傷検出モデルを設計する。
  論文  参考訳（メタデータ） (2024-09-04T09:03:47Z)
• Enhancing Robustness of Human Detection Algorithms in Maritime SAR through Augmented Aerial Images to Simulate Weather Conditions [1.660242118349614]
  本稿では,海中SARにおける人間の検出精度を向上させることを目的として,様々な標高と地質的位置を含む頑健なデータセットを評価する。 その結果, 強化データセットを用いたモデルでは, ヒトのリコールスコアが0.891から0.911の範囲で, YOLOv5lモデルでは3.4%向上した。
  論文  参考訳（メタデータ） (2024-08-25T08:23:06Z)
• Cycle-YOLO: A Efficient and Robust Framework for Pavement Damage Detection [13.221462950649467]
  本稿では,CycleGANと改良YOLOv5アルゴリズムを用いた舗装損傷検出手法を提案する。 本アルゴリズムは, 3種類の舗装損傷(き裂, 穴, パッチ)を検出する場合, 0.872, 0.854, 平均精度@0.5, 0.882, 平均精度@0.5を達成した。
  論文  参考訳（メタデータ） (2024-05-28T07:27:42Z)
• 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)
• 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)
• 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)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• Towards More Efficient EfficientDets and Low-Light Real-Time Marine Debris Detection [3.422873244787516]
  本稿では,リアルタイム・低照度物体検出におけるAUVビジョンの効率性に着目した。 我々は、D0では1.5%AP、D1では2.6%AP、D2では1.2%AP、D3では1.3%APでGPUレイテンシを増大させることなく、最先端のオブジェクト検出器であるEfficientDetsの効率を改善した。
  論文  参考訳（メタデータ） (2022-03-14T14:59:32Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• 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。

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。