論文の概要: Automated Coral Spawn Monitoring for Reef Restoration: The Coral Spawn and Larvae Imaging Camera System (CSLICS)

• arxiv url: http://arxiv.org/abs/2509.17299v1
• Date: Mon, 22 Sep 2025 00:47:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.207924
• Title: Automated Coral Spawn Monitoring for Reef Restoration: The Coral Spawn and Larvae Imaging Camera System (CSLICS)
• Title（参考訳）: サンゴ礁のサンゴ産卵監視の自動化:サンゴ産卵・幼虫イメージングカメラシステム(CSLICS)
• Authors: Dorian Tsai, Christopher A. Brunner, Riki Lamont, F. Mikaela Nordborg, Andrea Severati, Java Terry, Karen Jackel, Matthew Dunbabin, Tobias Fischer, Scarlett Raine,
• Abstract要約: サンゴ礁の再生には、資源分布と幼虫の健康モニタリングのために、正確で連続的な産卵数を必要とする。 低コストのモジュラーカメラと、人間-イン・ザ・ループラベリング手法を用いて訓練された物体検出装置を用いて、Calal Spawn and Larvae Imaging Camera System (CSLICS)を提案する。
• 参考スコア（独自算出の注目度）: 3.2732567892681144
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Coral aquaculture for reef restoration requires accurate and continuous spawn counting for resource distribution and larval health monitoring, but current methods are labor-intensive and represent a critical bottleneck in the coral production pipeline. We propose the Coral Spawn and Larvae Imaging Camera System (CSLICS), which uses low cost modular cameras and object detectors trained using human-in-the-loop labeling approaches for automated spawn counting in larval rearing tanks. This paper details the system engineering, dataset collection, and computer vision techniques to detect, classify and count coral spawn. Experimental results from mass spawning events demonstrate an F1 score of 82.4\% for surface spawn detection at different embryogenesis stages, 65.3\% F1 score for sub-surface spawn detection, and a saving of 5,720 hours of labor per spawning event compared to manual sampling methods at the same frequency. Comparison of manual counts with CSLICS monitoring during a mass coral spawning event on the Great Barrier Reef demonstrates CSLICS' accurate measurement of fertilization success and sub-surface spawn counts. These findings enhance the coral aquaculture process and enable upscaling of coral reef restoration efforts to address climate change threats facing ecosystems like the Great Barrier Reef.
• Abstract（参考訳）: サンゴ礁修復のためのサンゴ養殖は、資源分布と幼生の健康モニタリングのために正確かつ連続的な産卵数を必要とするが、現在の方法は労働集約的であり、サンゴ生産パイプラインにおいて重要なボトルネックとなっている。 幼生飼育槽における自動産卵数計測のために,ヒト-イン-ザ-ループラベリング手法を用いて訓練した低コストのモジュールカメラとオブジェクト検出器を用いたCalal Spawn and Larvae Imaging Camera System (CSLICS)を提案する。 本稿では,サンゴの産卵を検知し,分類し,数えるシステム工学,データセット収集,コンピュータビジョン技術について詳述する。 大量発生イベントによる実験結果は、異なる胚発生段階における表面発生検出のためのF1スコアが82.4\%、地下発生検出のための65.3\%F1スコアが65.3\%、同じ頻度での手動サンプリング方法と比較して、発生イベント当たりの労働時間を5,720時間節約することを示した。 グレートバリアリーフのサンゴ産卵イベントにおけるCSLICSモニタリングと手動計数の比較は、CSLICSの受精成功と地下産卵回数の正確な測定を実証している。 これらの発見はサンゴの養殖プロセスを強化し、グレートバリアリーフのような生態系が直面している気候変動の脅威に対処するためにサンゴ礁の修復努力のスケールアップを可能にした。

関連論文リスト

• No Mesh, No Problem: Estimating Coral Volume and Surface from Sparse Multi-View Images [45.20850219249498]
  有効なサンゴ礁のモニタリングには、正確な体積と表面積の推定によるサンゴの成長の定量化が必要である。 本稿では,2次元マルチビューRGB画像からサンゴのような物体の3次元体積と表面積を予測することによって,この問題に対処する,新しい,軽量でスケーラブルな学習フレームワークを提案する。 このフレームワークは、スパース画像から効率よくスケーラブルなサンゴの形状を推定する方法を開拓し、サンゴの成長分析やサンゴのモニタリングに応用できる可能性がある。
  論文  参考訳（メタデータ） (2025-09-14T08:52:01Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• From underwater to aerial: a novel multi-scale knowledge distillation approach for coral reef monitoring [1.0644791181419937]
  本研究は,サンゴ礁のサンゴ礁モニタリングに,小型水中画像と中規模空中画像を統合した新しいマルチスケールアプローチを提案する。 変圧器を用いた深層学習モデルは水中画像に基づいて訓練され、様々なサンゴ型、関連する動物相、生息地を含む31のクラスの存在を検出する。 以上の結果から,本手法はサンゴのサンゴ類型および生息域の予測において高い精度を達成し,より大規模なサンゴ礁地域への細分化を成功裏に進めることが示唆された。
  論文  参考訳（メタデータ） (2025-02-25T06:12:33Z)
• 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)
• 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)
• Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry [24.00646413446011]
  本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。 既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。 提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
  論文  参考訳（メタデータ） (2024-03-09T14:42:16Z)
• 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)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• 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)

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。