May, 2023

水下船舶检测的多标签视频分类

PDF
TL;DR通过使用深度学习和计算机视觉技术提出了一种自动化的视频分析系统来改进现有的水下船舶外壳视频检查方法，提出了一种利用 transformers 的自注意机制捕捉连续视频帧中的时空关注的多标签视频分类模型。该方法取得了有前途的结果，并可以作为未来水下视频检查应用的基准。
ship hull inspectionremotely operated vehiclesdeep learningcomputer visionmulti-label video classification
发现论文，激发创造
  • 利用多阶段深度学习技术进行海洋船舶表面缺陷检测和评估

    本研究提出了一种新的基于深度学习的图像处理系统， 可以自动识别不同类型的船面缺陷并测量其覆盖百分比，结果表明该系统可以客观地执行类似于合格检查员的评估。

    Mar, 2022

  • 评估使用 ROV 辅助的深度学习自动化水产养殖网箱检测

    本文提出了一种基于机器人的海水养殖网箱自动损伤检测系统，用于在 ROV 处理过程中和实时检测中检测网的损伤部分，该系统通过 ROV 的载体摄像机获取视频流，采用深度学习检测器，在不同水下条件下将图像的有缺陷部分与背景进行分割，该方法经过测试后表明其高准确性即使在逆境情况下，并且适用于嵌入式平台的实时处理。

    Aug, 2023

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 基于视觉追踪和检测的水下多机器人编队控制

    本研究提出了一种基于视觉检测的强大的多机器人编队方案，该方案可以在三维未结构化环境下跟踪目标，通过我们的解决方案，成功控制了一只腿部的水下机器人以五个自由度追踪另一台机器人的运动。

    Sep, 2017

  • 基于混合经典量子卷积神经网络的水下图像机载分类

    利用量子 - 经典混合机器学习方法，实现了首次在自主水下车辆上进行实时水下物体识别，效率大于 65％，运行时间减少三分之一，并且相比经典机器学习方法，所需数据集大小减少 50％。

    Apr, 2024

  • 水下对接的高效检测与控制系统：基于机器学习和逼真仿真的综合方法

    比较不同的深度学习架构以实现水下对接检测和分类，并使用知识蒸馏压缩具有最佳性能的架构，利用生成对抗网络进行图像转换以模拟真实水下图像，最终评估该方法的成功率并与传统视觉方法进行比较。

    Nov, 2023

  • 利用水下摄影测量技术进行印度 - 太平洋珊瑚状况的多标签分类的深度学习

    本研究构建了一个包含超过 20,000 张高分辨率珊瑚图像的数据集，使用了七个深度学习架构并提出了一种新的多标签方法，能够准确分类珊瑚状况和提取生态信息，进而为珊瑚图像档案的开发、指导保育活动以及对礁区管理者和保育人员的决策提供参考。该方法在数据集上表现出优越的性能，并展示了业界最先进技术 (State-Of-The-Art)。未来的研究应提高其适用性和准确性，以支持全球珊瑚保育工作。

    Mar, 2024

  • 高效大规模 AUV 视觉海底地图生成

    通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展，我们提出了一个系统，可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估，展示了在真实条件下的稳定性和实用性。

    Aug, 2023

  • 深度学习用于水下机器人的视觉导航

    本文旨在简要概述深度学习方法在水下机器人的视觉导航中的应用。论文的范围包括利用深度学习方法进行水下机器人的视觉感知、可获得的水下视觉数据集、仿真学习和强化学习方法以及与训练方法相关的分类。除了作为对比例子外，本文不考虑使用深度学习算法处理非视觉数据的水下导航文献。

    Oct, 2023

  • 铁路轨道检测的深度多任务学习

    本文提出了一种利用自动化轨道检测和多任务学习的方法，在铁路道床和紧固件上检测缺陷，以提高铁路轨道检测的精度。

    Sep, 2015