論文の概要: AI-driven Dispensing of Coral Reseeding Devices for Broad-scale Restoration of the Great Barrier Reef

• arxiv url: http://arxiv.org/abs/2509.01019v1
• Date: Sun, 31 Aug 2025 23:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.503212
• Title: AI-driven Dispensing of Coral Reseeding Devices for Broad-scale Restoration of the Great Barrier Reef
• Title（参考訳）: グレートバリアリーフの大規模修復のためのAIによるサンゴ礁再資源化
• Authors: Scarlett Raine, Benjamin Moshirian, Tobias Fischer,
• Abstract要約: サンゴ礁は崩壊の瀬戸際にあり、気候変動、海洋酸性化、汚染などにより、今後10年以内にサンゴの種が70-90%減少すると予想されている。 本稿では,人工知能,コンピュータビジョン,ロボット技術を活用したサンゴ再探査装置の自動展開について述べる。
• 参考スコア（独自算出の注目度）: 4.544456147584922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coral reefs are on the brink of collapse, with climate change, ocean acidification, and pollution leading to a projected 70-90% loss of coral species within the next decade. Restoration efforts are crucial, but their success hinges on introducing automation to upscale efforts. We present automated deployment of coral re-seeding devices powered by artificial intelligence, computer vision, and robotics. Specifically, we perform automated substrate classification, enabling detection of areas of the seafloor suitable for coral growth, thus significantly reducing reliance on human experts and increasing the range and efficiency of restoration. Real-world testing of the algorithms on the Great Barrier Reef leads to deployment accuracy of 77.8%, sub-image patch classification of 89.1%, and real-time model inference at 5.5 frames per second. Further, we present and publicly contribute a large collection of annotated substrate image data to foster future research in this area.
• Abstract（参考訳）: サンゴ礁は崩壊の瀬戸際にあり、気候変動、海洋酸性化、汚染などにより、今後10年以内にサンゴの種が70-90%減少すると予想されている。 修復作業は不可欠だが、彼らの成功は、大規模な作業に自動化を導入することにある。 本稿では,人工知能,コンピュータビジョン,ロボット技術を活用したサンゴ再探査装置の自動展開について述べる。 具体的には,サンゴの生育に適した海底領域の検出が可能な自動基板分類を行い,人的専門家への依存を著しく低減し,修復範囲と効率を向上する。 グレートバリアリーフでのアルゴリズムの実世界テストは、77.8%のデプロイメント精度、89.1%のサブイメージパッチ分類、毎秒5.5フレームのリアルタイムモデル推論をもたらす。 さらに,この領域における将来的な研究を促進するために,注釈付き基板画像データの膨大なコレクションを提示し,公開している。

関連論文リスト

• The Coralscapes Dataset: Semantic Scene Understanding in Coral Reefs [4.096374910845255]
  本研究はサンゴ礁において,2075のイメージ,39のベントニッククラス,174kのセグメンテーションマスクを含む汎用的なセグメンテーションデータセットを初めて公開する。 我々は、幅広いセマンティックセグメンテーションモデルをベンチマークし、Coralscapesから既存の小さなデータセットへの変換学習が一貫して最先端のパフォーマンスをもたらすことを発見した。 Coralscapesは、コンピュータビジョンに基づく効率よくスケーラブルで標準化されたサンゴ礁の調査方法の研究を触媒し、水中の生態学ロボットの開発を効率化する可能性を秘めている。
  論文  参考訳（メタデータ） (2025-03-25T18:33:59Z)
• Back Home: A Computer Vision Solution to Seashell Identification for Ecological Restoration [44.99833362998488]
  BackHome19Kは、海岸レベルのラベルが付加された最初の大規模画像コーパスである。 トレーニング済みの異常フィルタがアップロードされ、ユーザ生成ノイズに対する堅牢性が向上する。 システムはすでに野生生物の役人のために70万発の砲弾を1枚あたり3秒以下で処理している。
  論文  参考訳（メタデータ） (2025-01-08T23:07:10Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• 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)
• Scalable Semantic 3D Mapping of Coral Reefs with Deep Learning [4.8902950939676675]
  本稿では,エゴモーション映像から水中環境をマッピングするための新しいパラダイムを提案する。 前例のない規模で高精度な3Dセマンティックマッピングを行い,作業コストを大幅に削減した。 本手法は,サンゴ礁のサンゴ礁モニタリングを飛躍的にスケールアップする。
  論文  参考訳（メタデータ） (2023-09-22T11:35:10Z)
• Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra [3.254879465902239]
  本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。 この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。 その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T15:30:08Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• The CSIRO Crown-of-Thorn Starfish Detection Dataset [5.657660184917617]
  ソーン・オブ・ソーン・スターフィッシュのアウトブレイク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GBR上のCOTSアウトブレイクエリアから大規模で注釈付き水中画像データセットを公開します。
  論文  参考訳（メタデータ） (2021-11-29T03:21:51Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)

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。