論文の概要: Automating Coral Reef Fish Family Identification on Video Transects Using a YOLOv8-Based Deep Learning Pipeline

• arxiv url: http://arxiv.org/abs/2511.00022v1
• Date: Fri, 24 Oct 2025 13:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-09 16:58:40.035269
• Title: Automating Coral Reef Fish Family Identification on Video Transects Using a YOLOv8-Based Deep Learning Pipeline
• Title（参考訳）: YOLOv8を用いた深層学習パイプラインによるサンゴ礁魚の家族識別
• Authors: Jules Gerard, Leandro Di Bella, Filip Huyghe, Marc Kochzius,
• Abstract要約: 本研究は,ケニアとタンザニアで収集された映像から家族レベルの魚の識別を自動化する,YOLOv8ベースのディープラーニングパイプラインを評価する。 24家族のキュレートされたデータセットを異なる構成でテストし、西インド洋におけるサンゴ礁の自動魚監視のための地域固有のベンチマークを初めて提供した。
• 参考スコア（独自算出の注目度）: 0.7068165275780812
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Coral reef monitoring in the Western Indian Ocean is limited by the labor demands of underwater visual censuses. This work evaluates a YOLOv8-based deep learning pipeline for automating family-level fish identification from video transects collected in Kenya and Tanzania. A curated dataset of 24 families was tested under different configurations, providing the first region-specific benchmark for automated reef fish monitoring in the Western Indian Ocean. The best model achieved mAP@0.5 of 0.52, with high accuracy for abundant families but weaker detection of rare or complex taxa. Results demonstrate the potential of deep learning as a scalable complement to traditional monitoring methods.
• Abstract（参考訳）: 西インド洋におけるサンゴ礁のモニタリングは、水中の視覚的な国勢調査の労働需要によって制限されている。 本研究は,ケニアとタンザニアで収集された映像から家族レベルの魚の識別を自動化する,YOLOv8ベースのディープラーニングパイプラインを評価する。 24家族のキュレートされたデータセットを異なる構成でテストし、西インド洋におけるサンゴ礁の自動魚監視のための地域固有のベンチマークを初めて提供した。 最良のモデルではmAP@0.5が0.52で達成され、豊富な家系では高い精度で検出できたが、希少または複雑な分類の発見は弱かった。 結果は、従来のモニタリング手法をスケーラブルに補完する深層学習の可能性を示している。

関連論文リスト

• Real-Time Fish Detection in Indonesian Marine Ecosystems Using Lightweight YOLOv10-nano Architecture [0.0]
  本研究では,インドネシア海域におけるリアルタイム海洋魚検出のための最先端の深層学習モデルであるYOLOv10-nanoの実装について検討した。 YOLOv10のアーキテクチャは、CSPNetバックボーン、機能融合のためのPAN、ピラミッド空間注意ブロックなどの改善を特徴とし、効率的で正確なオブジェクト検出を可能にしている。 その結果, YOLOv10-nano は 0.966 の mAP50 と 0.606 の mAP50:95 で高い検出精度を達成し, 計算要求の低さを維持した。
  論文  参考訳（メタデータ） (2025-09-22T07:02:48Z)
• A computer vision method to estimate ventilation rate of Atlantic salmon in sea fish farms [0.18807755325664796]
  我々はアトランティック・サーモン(サルモ・サラー)の換気率を監視するコンピュータビジョン法を開発した。 本手法では, 魚頭検出モデルを用いて, 口の状態を畳み込みニューラルネットワークを用いて, 開閉状態に分類する。 魚が呼吸障害の徴候を示すペンを正確に同定することにより,魚の健康や福祉のモニタリングをフィンフィッシュ養殖に転換する可能性や適用性を高めることができる。
  論文  参考訳（メタデータ） (2025-04-28T12:13:57Z)
• Composing Open-domain Vision with RAG for Ocean Monitoring and Conservation [41.94295877935867]
  本稿では, 海洋アプリケーションにおける画像解析と映像解析のためのレジリエントでスケーラブルなソリューションを提案する。 我々は,本手法を,ビデオ漁船から魚を分類する予備的応用を通じて検証する。
  論文  参考訳（メタデータ） (2024-12-03T08:34:42Z)
• A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
  本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。 収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
  論文  参考訳（メタデータ） (2024-07-04T09:07:25Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• 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)
• A deep neural network for multi-species fish detection using multiple acoustic cameras [0.0]
  本稿では,CNN (Convolutional Neural Network) と従来のCV (Computer Vision) 技術の両方を活用する新しい手法を提案する。 パイプラインは、音像を前処理して2つの特徴を抽出し、信号をローカライズし、検出性能を向上させる。 YOLOv3ベースのモデルは、2つの一般的な音響カメラで記録された複数の種の魚のデータを用いて訓練された。
  論文  参考訳（メタデータ） (2021-09-22T11:47:24Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater Visual Analysis [2.6476746128312194]
  我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。 このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。 実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
  論文  参考訳（メタデータ） (2020-08-28T12:20:59Z)
• Temperate Fish Detection and Classification: a Deep Learning based Approach [6.282069822653608]
  本研究では,2段階の深層学習手法を提案する。 最初のステップは、種や性別によらず、画像中の各魚を検出することです。 第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
  論文  参考訳（メタデータ） (2020-05-14T12:40:57Z)

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。