論文の概要: ShipwreckFinder: A QGIS Tool for Shipwreck Detection in Multibeam Sonar Data

• arxiv url: http://arxiv.org/abs/2509.21386v1
• Date: Tue, 23 Sep 2025 19:42:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.893146
• Title: ShipwreckFinder: A QGIS Tool for Shipwreck Detection in Multibeam Sonar Data
• Title（参考訳）: ShipwreckFinder:マルチビームソナーデータにおける船難検知のためのQGISツール
• Authors: Anja Sheppard, Tyler Smithline, Andrew Scheffer, David Smith, Advaith V. Sethuraman, Ryan Bird, Sabrina Lin, Katherine A. Skinner,
• Abstract要約: ShipwreckFinderはオープンソースのQGISプラグインで、マルチビームソナーデータから船難を検出する。 このオープンソースのツールのバックボーンは深層学習モデルで、五大湖やアイルランド沿岸の様々な難破船のデータに基づいて訓練されている。
• 参考スコア（独自算出の注目度）: 6.0209853789966346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce ShipwreckFinder, an open-source QGIS plugin that detects shipwrecks from multibeam sonar data. Shipwrecks are an important historical marker of maritime history, and can be discovered through manual inspection of bathymetric data. However, this is a time-consuming process and often requires expert analysis. Our proposed tool allows users to automatically preprocess bathymetry data, perform deep learning inference, threshold model outputs, and produce either pixel-wise segmentation masks or bounding boxes of predicted shipwrecks. The backbone of this open-source tool is a deep learning model, which is trained on a variety of shipwreck data from the Great Lakes and the coasts of Ireland. Additionally, we employ synthetic data generation in order to increase the size and diversity of our dataset. We demonstrate superior segmentation performance with our open-source tool and training pipeline as compared to a deep learning-based ArcGIS toolkit and a more classical inverse sinkhole detection method. The open-source tool can be found at https://github.com/umfieldrobotics/ShipwreckFinderQGISPlugin.
• Abstract（参考訳）: 本稿では,マルチビームソナーデータから船難を検出するオープンソースのQGISプラグインであるShipwreckFinderを紹介する。 難破船は海洋史の重要な歴史的指標であり、水量計データの手動検査によって発見できる。 しかし、これは時間を要するプロセスであり、しばしば専門家分析を必要とします。 提案ツールでは, 潜水試験データの自動処理, 深層学習推論, しきい値モデル出力, ピクセルワイドセグメンテーションマスク, および予測難破船のバウンディングボックスを生成することができる。 このオープンソースのツールのバックボーンは深層学習モデルで、五大湖やアイルランド沿岸の様々な難破船のデータに基づいて訓練されている。 さらに、データセットのサイズと多様性を高めるために、合成データ生成を使用します。 ディープラーニングベースのArcGISツールキットや,より古典的な逆シンクホール検出手法と比較して,オープンソースツールとトレーニングパイプラインによるセグメンテーション性能が優れていることを示す。 オープンソースツールはhttps://github.com/umfieldrobotics/ShipwreckFinderQGISPluginで見ることができる。

関連論文リスト

• Feature Shift Localization Network [51.33484517421393]
  大規模・高次元データセットにおける特徴シフトを高速かつ正確な方法でローカライズするニューラルネットワークを導入する。 多数のデータセットでトレーニングされたこのネットワークは、データセットの統計的性質を抽出することを学び、再トレーニングを必要とせずに、機能シフトをローカライズする。
  論文  参考訳（メタデータ） (2025-06-10T15:27:32Z)
• Procedural Environment Generation for Tool-Use Agents [55.10427063893754]
  我々はRandomWorldを紹介した。これは対話型ツールと合成ツール利用データの手続き的生成のためのパイプラインである。 我々は,SFTとRLによるRandomWorldの合成データによるモデル調整により,様々なツール使用ベンチマークが改良されたことを示す。
  論文  参考訳（メタデータ） (2025-05-21T14:10:06Z)
• The Marine Debris Forward-Looking Sonar Datasets [10.878811189489804]
  本論文では,3つの異なるセッティングを持つマリンデブリフォワード・ルック・ソナーデータセットについて述べる。 いくつかのタスクに対して、完全なデータセット記述、基本的な分析、初期結果を提供します。 研究コミュニティがこのデータセットの恩恵を受けることを期待しています。
  論文  参考訳（メタデータ） (2025-03-28T21:12:03Z)
• Cuvis.Ai: An Open-Source, Low-Code Software Ecosystem for Hyperspectral Processing and Classification [0.4038539043067986]
  cuvis.aiは、データ取得、前処理、モデルトレーニングのためのオープンソースでローコードなソフトウェアエコシステムである。 パッケージはPythonで書かれており、一般的な機械学習ライブラリのラッパーを提供する。
  論文  参考訳（メタデータ） (2024-11-18T06:33:40Z)
• Replication: Contrastive Learning and Data Augmentation in Traffic Classification Using a Flowpic Input Representation [47.95762911696397]
  同じデータセット上で[16]を再現し、3つの追加の公開データセット上で最も健全なアスペクト(データ拡張の重要性)を複製します。 元の結果のほとんどを確認できたが、元のデータセットにデータシフトがあったため、調査されたシナリオの20%の精度低下が判明した。
  論文  参考訳（メタデータ） (2023-09-18T12:55:09Z)
• Deep Lake: a Lakehouse for Deep Learning [0.0]
  Deep Lakeは、Activeloopで開発されたディープラーニングアプリケーションのためのオープンソースのレイクハウスである。 本稿では,Activeloopで開発されたディープラーニングアプリケーションのためのオープンソースのレイクハウスであるDeep Lakeについて述べる。
  論文  参考訳（メタデータ） (2022-09-22T05:04:09Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Learning and Recognizing Archeological Features from LiDAR Data [8.135393502095909]
  本稿では,LiDAR(Light Detection and Ranging)データを処理するリモートセンシングパイプラインを提案する。 本研究の目的は,地域空間と考古学的アーティファクトを教師付きで識別し,ドメインの専門家が必要に応じて柔軟にパラメータを調整できるようにすることである。
  論文  参考訳（メタデータ） (2020-04-05T05:36:37Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。