論文の概要: Semi-supervised learning for marine anomaly detection on board satellites
- arxiv url: http://arxiv.org/abs/2504.03705v1
- Date: Wed, 26 Mar 2025 13:23:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-13 06:23:25.841887
- Title: Semi-supervised learning for marine anomaly detection on board satellites
- Title（参考訳）: 船上衛星による海洋異常検出のための半教師付き学習
- Authors: Luca Marini,
- Abstract要約: 衛星画像に訓練されたディープラーニング(DL)モデルを適用することで、海洋異常を識別することができる。
DLモデルは、トレーニングのために大量のラベル付きデータを必要とすることが多い。
本稿では,セマンティックセグメンテーションのための半教師付きアルゴリズムの性能について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Aquatic bodies face numerous environmental threats caused by several marine anomalies. Marine debris can devastate habitats and endanger marine life through entanglement, while harmful algal blooms can produce toxins that negatively affect marine ecosystems. Additionally, ships may discharge oil or engage in illegal and overfishing activities, causing further harm. These marine anomalies can be identified by applying trained deep learning (DL) models on multispectral satellite imagery. Furthermore, the detection of other anomalies, such as clouds, could be beneficial in filtering out irrelevant images. However, DL models often require a large volume of labeled data for training, which can be both costly and time-consuming, particularly for marine anomaly detection where expert annotation is needed. A potential solution is the use of semi-supervised learning methods, which can also utilize unlabeled data. In this project, we implement and study the performance of FixMatch for Semantic Segmentation, a semi-supervised algorithm for semantic segmentation. Firstly, we found that semi-supervised models perform best with a high confidence threshold of 0.9 when there is a limited amount of labeled data. Secondly, we compare the performance of semi-supervised models with fully-supervised models under varying amounts of labeled data. Our findings suggest that semi-supervised models outperform fully-supervised models with limited labeled data, while fully-supervised models have a slightly better performance with larger volumes of labeled data. We propose two hypotheses to explain why fully-supervised models surpass semi-supervised ones when a high volume of labeled data is used. All of our experiments were conducted using a U-Net model architecture with a limited number of parameters to ensure compatibility with space-rated hardware.
- Abstract（参考訳）: 水生生物は、いくつかの海洋異常によって引き起こされる多くの環境脅威に直面している。
海洋の破片は、海洋生態系に悪影響を及ぼす有毒な藻類を産出する一方、絡み合いによって海洋生物の生息地を枯渇させ、海洋生物を危険にさらす。
さらに、船舶は石油を排出したり、違法で過剰な漁業活動に従事したりし、さらに危害を加えることがある。
これらの海洋異常は、マルチスペクトル衛星画像に訓練された深層学習(DL)モデルを適用することで識別できる。
さらに、雲などの他の異常の検出は、無関係な画像のフィルタリングに有用である。
しかし、DLモデルは訓練に大量のラベル付きデータを必要とすることが多く、特に専門家のアノテーションを必要とする海洋異常検出には費用と時間の両方がかかる。
潜在的な解決策は、ラベルのないデータも利用できる半教師付き学習法を使用することである。
本稿では,セマンティックセグメンテーションのための半教師付きアルゴリズムであるFixMatch for Semantic Segmentationの実装と研究を行う。
まず,ラベル付きデータに制限がある場合,半教師付きモデルが最も高い信頼閾値が0.9であることがわかった。
次に,ラベル付きデータの量に応じて,半教師付きモデルと完全教師付きモデルを比較した。
その結果,半教師付きモデルはラベル付きデータに制限のある完全教師付きモデルよりも優れており,一方,完全教師付きモデルはラベル付きデータに大きな性能を持つことがわかった。
本稿では,ラベル付きデータの大量使用時に,完全教師付きモデルが半教師付きモデルを上回る理由を説明するための2つの仮説を提案する。
これらすべての実験は、スペースレートハードウェアとの互換性を確保するために、限られた数のパラメータを持つU-Netモデルアーキテクチャを用いて行われた。
関連論文リスト
- A Maritime Industry Experience for Vessel Operational Anomaly Detection: Utilizing Deep Learning Augmented with Lightweight Interpretable Models [0.19116784879310028]
本研究は,半教師付き深層学習モデルに軽量な解釈可能なサロゲートモデルを適用した船体動作異常検出手法を示す。
我々は、通常の運用データに基づいて訓練され、実際の異常検出データでテストされた標準および長期記憶(LSTM)オートエンコーダを利用する。
論文 参考訳（メタデータ） (2023-12-30T01:31:54Z) - Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。
我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
論文 参考訳（メタデータ） (2023-08-18T17:59:01Z) - RoSAS: Deep Semi-Supervised Anomaly Detection with
Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。
当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文 参考訳（メタデータ） (2023-07-25T04:04:49Z) - Large-scale Detection of Marine Debris in Coastal Areas with Sentinel-2 [3.6842260407632903]
海洋汚染を定量化するための努力は、しばしば粗末で高価な海岸調査によって行われる。
沿岸地域の衛星データは容易に入手でき、プラスチックごみを含む海洋ゴミの集積を検出するために利用することができる。
本稿では, 深部セグメンテーションモデル上に構築された海洋破片検出装置について述べる。
論文 参考訳（メタデータ） (2023-07-05T17:38:48Z) - 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) - An Outlier Exposure Approach to Improve Visual Anomaly Detection
Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。
標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。
本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文 参考訳（メタデータ） (2022-09-20T15:18:13Z) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。
弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。
これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
論文 参考訳（メタデータ） (2022-03-22T20:24:21Z) - Semi-supervised Deep Learning for Image Classification with Distribution
Mismatch: A Survey [1.5469452301122175]
ディープラーニングモデルは、予測モデルをトレーニングするためにラベル付き観測の豊富な部分に依存します。
ラベル付きデータ観測を収集することは高価であり、ディープラーニングモデルの使用は理想的ではない。
多くの状況では、異なる非競合データソースが利用可能である。
これにより、ラベル付きデータセットと非ラベル付きデータセットの間にかなりの分散ミスマッチが発生するリスクが生じる。
論文 参考訳（メタデータ） (2022-03-01T02:46:00Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。