基于注意力机制的卫星监测海洋垃圾检测
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
使用高分辨率光学遥感卫星图像,本研究提出了一种新颖的传输学习框架,用于有效的船舶分类。该框架基于深度卷积神经网络模型 ResNet50,并结合了卷积块注意力模块 (CBAM) 来增强性能。实验结果表明该框架在光学遥感图像的船舶分类中具有良好的效果,达到了 94% 的高分类精度,超过了现有方法。该研究在海上监视与管理、非法渔业监测和海上交通监控方面具有潜在的应用价值。
Apr, 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
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
本研究旨在通过多任务学习方式训练一个网络实现视觉注意力,使用半监督学习方式生成前 / 背景分割标签,进而训练目标检测模型,利用分割地图实现自我注意机制,获得在交通监控领域两个数据集上显著的 mAP 改进,UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。
Feb, 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 YOLOv8 目标检测模型的高级版本,结合卷积块注意力模块(CBAM)来改善特征识别,进一步优化损失函数,本研究在 Saemangeum 海上风力发电场和公开可用的数据集上进行了严格测试,结果显示缺陷检测稳定性显著提高,对于高效的涡轮维护迈出了重要一步,为未来的研究提供了启示,有可能革新可持续能源实践。
Jul, 2023
印度尼西亚是一个海洋国家,由于无效的垃圾管理,海洋中积聚了大量的垃圾,影响严重。本研究提出了一种自动垃圾清理机器人的视频物体检测方法,利用 YOLOv5 模型和 Robust & Efficient Post Processing (REPP) 方法,通过考虑邻近帧的检测结果,提高了检测性能,相较于仅使用 YOLOv5,性能提高了约 3%。该方法有潜力用于实时基于图像的垃圾清理机器人,有望改善印度尼西亚的垃圾处理系统,减轻过去垃圾造成的损害。
Jul, 2023
使用改进的 YOLOv8-AM 模型,结合注意力机制,通过对断骨检测的实验结果,证明了该模型在改进性能方面的先进性。
Feb, 2024