Fugu-MT 論文翻訳(概要): Deep Learning Models for Coral Bleaching Classification in Multi-Condition Underwater Image Datasets

論文の概要: Deep Learning Models for Coral Bleaching Classification in Multi-Condition Underwater Image Datasets

arxiv url: http://arxiv.org/abs/2511.00021v1
Date: Fri, 24 Oct 2025 06:13:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-09 16:58:40.03374
Title: Deep Learning Models for Coral Bleaching Classification in Multi-Condition Underwater Image Datasets
Title（参考訳）: マルチコンディション水中画像データセットにおけるサンゴの漂白分類のための深層学習モデル
Authors: Julio Jerison E. Macrohon, Gordon Hung,
Abstract要約: サンゴ礁は多くの海洋生物を支えており、嵐や洪水からの沿岸保護の重要な源となっている。本研究では,多様なグローバルデータセットに基づく,機械学習に基づくサンゴ白化分類システムを提案する。我々はResidual Neural Network (ResNet), Vision Transformer (ViT), Convolutional Neural Network (CNN)の3つの最先端モデルのベンチマークと比較を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Coral reefs support numerous marine organisms and are an important source of coastal protection from storms and floods, representing a major part of marine ecosystems. However coral reefs face increasing threats from pollution, ocean acidification, and sea temperature anomalies, making efficient protection and monitoring heavily urgent. Therefore, this study presents a novel machine-learning-based coral bleaching classification system based on a diverse global dataset with samples of healthy and bleached corals under varying environmental conditions, including deep seas, marshes, and coastal zones. We benchmarked and compared three state-of-the-art models: Residual Neural Network (ResNet), Vision Transformer (ViT), and Convolutional Neural Network (CNN). After comprehensive hyperparameter tuning, the CNN model achieved the highest accuracy of 88%, outperforming existing benchmarks. Our findings offer important insights into autonomous coral monitoring and present a comprehensive analysis of the most widely used computer vision models.
Abstract（参考訳）: サンゴ礁は多くの海洋生物を支えており、嵐や洪水からの海岸保護の重要な源であり、海洋生態系の主要な部分を占めている。しかし、サンゴ礁は汚染、海洋酸性化、海洋温度異常による脅威が増大しており、効率的な保護と監視が急務である。そこで本研究では, 深海, 湿地, 沿岸域など, 様々な環境条件下での健康・漂白サンゴのサンプルを用いた, 多様なグローバルデータセットに基づく, 機械学習に基づくサンゴの漂白分類システムを提案する。我々はResidual Neural Network (ResNet), Vision Transformer (ViT), Convolutional Neural Network (CNN)の3つの最先端モデルのベンチマークと比較を行った。包括的なハイパーパラメータチューニングの後、CNNモデルは88%の精度を達成し、既存のベンチマークを上回った。我々の研究は、自律的なサンゴのモニタリングに関する重要な知見を提供し、最も広く使われているコンピュータビジョンモデルの包括的分析を提示する。

関連論文リスト

UWBench: A Comprehensive Vision-Language Benchmark for Underwater Understanding [54.16709436340606]
視覚言語モデル(VLM)は自然界の理解において顕著な成功を収めた。水中画像は、厳しい光の減衰、色歪み、懸濁粒子散乱などの固有の課題を呈している。水中視覚言語理解のためのベンチマークであるUWBenchを紹介する。
論文参考訳（メタデータ） (2025-10-21T03:32:15Z)
Expose Camouflage in the Water: Underwater Camouflaged Instance Segmentation and Dataset [76.92197418745822]
カモフラージュされたインスタンスセグメンテーション(CIS)は、周囲と密接に融合したオブジェクトを正確にセグメンテーションする際の大きな課題に直面します。従来のカモフラージュされたインスタンスセグメンテーション法は、水中のサンプルが限られている地球上で支配的なデータセットに基づいて訓練されており、水中のシーンでは不十分な性能を示す可能性がある。本研究は,海中カモフラージュされた海洋生物の3,953枚の画像とインスタンスレベルのアノテーションを含む,最初の水中カモフラージュされたインスタンスセグメンテーションデータセットUCIS4Kを紹介する。
論文参考訳（メタデータ） (2025-10-20T14:34:51Z)
Multi-label classification for multi-temporal, multi-spatial coral reef condition monitoring using vision foundation model with adapter learning [20.74182654369854]
本研究は,DINOv2ビジョン基礎モデルとLoRAファインチューニング手法を組み合わせたアプローチを提案する。実験の結果, DINOv2-LoRAモデルの方が64.77%の精度で, 従来のモデルでは60.34%であったのに対し, 一致率は64.77%であった。
論文参考訳（メタデータ） (2025-03-29T08:32:44Z)
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)
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)
SeagrassFinder: Deep Learning for Eelgrass Detection and Coverage Estimation in the Wild [1.0617118349563253]
海草の草原は海洋生態系において重要な役割を担い、炭素の隔離、水質改善、生息地確保などの利益を提供している。海底映像データを解析して海草被覆度を評価する現在の手作業は、時間と主観的である。本研究では,海底ビデオデータから海草の検出とカバレッジ推定のプロセスを自動化するためのディープラーニングモデルについて検討する。
論文参考訳（メタデータ） (2024-12-20T18:50:54Z)
BenthIQ: a Transformer-Based Benthic Classification Model for Coral Restoration [4.931399476945033]
サンゴ礁は海洋生物多様性、沿岸保護、世界の人間の生活を支えるために不可欠である。ベントニック合成マップを作成するための現在の手法は、しばしば空間被覆と分解能の間に妥協する。水中基板の高精度な分類のために設計されたマルチラベルセマンティックセマンティックセマンティクスネットワークであるBenthIQを紹介する。
論文参考訳（メタデータ） (2023-11-22T19:25:31Z)
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)
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)
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。