优化后的自定义数据集用于有效检测水下垃圾
通过综合评估现有数据集和先进技术的体系结构,本文旨在为水下废物和垃圾检测建立基线,从而为先进的水下传感器和自主水下车辆提供目标定位技术的基准,最终实现水下环境的探测、废物识别和清除。
May, 2024
本文对使用深度神经网络(DNN)进行海洋垃圾检测的问题及相关问题(如图像分类、匹配和检测建议)进行了全面评估,研究结果表明,对于评估任务,DNN 是一种优越的技术,尤其是在匹配和检测建议任务方面具有很大的优势,这对于实践者是有价值的信息。
May, 2019
该研究介绍了 TrashCan 数据集,用于开发机器学习算法进行水下垃圾和海洋垃圾检测,训练也给出了两种分类方法,并通过 Mask R-CNN 和 Faster R-CNN 算法给出了初步结果。
Jul, 2020
本文介绍了基于深度分割模型和远程遥感技术,对海洋垃圾进行快速、自动化定量监测和检测的方法,实验结果表明设计强调样本多样性和标签优化的数据集比深度学习模型的选择更加重要。
Jul, 2023
通过引入数据集 DUO 和相应的基准,我们解决了测试集注释缺乏、数据集存在其他缺陷和没有统一基准等几个挑战,这可用于学术研究和实际工业应用中对 SOTAs(使用 MMDtection 框架)进行效率和准确率的指标评估,并使用 JETSON AGX XAVIER 来评估探测器速度以模拟机器人嵌入式环境。
Jun, 2021
20 年来,深度学习技术一直在海洋垃圾问题中得到探索,并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明,YOLO 系列方法在目标检测方面明显优于其他方法,但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集,在二元分类任务上测试了 YOLOv5,发现准确率较低,假阳性率较高,凸显了建立全面数据库的重要性。最后,我们提出了 40 多项未来研究建议和开放性挑战。
Mar, 2024
利用航拍图像和计算机视觉技术,本研究介绍了一种远程垃圾调查框架,通过 Grounding DINO 和 CLIP 实现零样本的垃圾检测和分类,并使用 Scale-Invariant Feature Transform 进行重复匹配,旨在支持高效可持续的社区清洁项目。
May, 2024
本研究利用前向扫描声纳(FLS)开发了一个新的海洋垃圾分割数据集,并使用各种编码器对其进行语义分割的基线结果进行了分析比较,其中最佳性能的模型为采用 ResNet34 骨干网络的 Unet,IoU 为 0.7481。
Aug, 2021
DeepFish 提出了一个大规模的、适用于多个计算机视觉任务的数据集,该数据集包含了约 40,000 张图像,覆盖了 20 个热带海洋环境的鱼类栖息地,并且收集了点级别和分割标签,可以用于鱼类数量的自动监测、位置的标识和大小的估计。该数据集可以作为一个测试基准,用于激励在这一具有挑战性的水下计算机视觉领域的进一步发展。
Aug, 2020