Mar, 2024

深度学习在海洋垃圾追踪和检测中的最新应用：一项调查

PDF
TL;DR20 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。
deep learningmarine litterobject detectionunderwater debrisdatabase
发现论文，激发创造
  • 深度神经网络用于声纳图像中的海洋垃圾检测

    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

  • 深度学习创新在水下废物检测中的应用：一项深入分析

    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

  • Sentinel-2 在海岸地区大规模检测海洋垃圾

    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

  • 基于人工智能智能图像识别的河湖漂浮物检测研究

    通过使用人工智能技术中的图像识别，本研究专注于探索一种创新的基于深度学习的方法，用于在河流和湖泊环境中检测浮游物，通过严格的实验验证，证明了该系统能够显著提高浮游物的检测准确性和效率，为河流和湖泊的水质监测提供了新的技术途径。

    Apr, 2024

  • 基于注意力机制的卫星监测海洋垃圾检测

    通过结合 YOLOv7 的实例分割和不同的注意机制，本研究在卫星图像中探讨了寻找海洋垃圾的最佳模型，并发现 CBAM 在探测海洋垃圾方面具有最佳适用性。

    Jul, 2023

  • 优化后的自定义数据集用于有效检测水下垃圾

    本文提出了一个基于深度学习的高效检测方法和包含多种水下环境的标注数据集，以更精确地定位、分类和移除水下废弃物及海底垃圾，并解决由于光线折射、颜色失真等因素带来的诸多挑战。

    May, 2023

  • 设计一个可持续的海洋垃圾清理框架，不包含人类标签

    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

  • YOLO 系列水下环境目标检测算法

    YOLO 算法在水下环境中的应用存在限制，本文从海洋工程应用的实际需求出发，以水下结构健康监测和水下生物检测为例，提出了改进的水下 YOLO 算法应用方法，并指出了仍然存在的问题。

    Sep, 2023

  • 使用 YOLO 进行自动珊瑚检测：高效准确的珊瑚礁监测的深度学习方法

    我们提出了一种利用 YOLO 深度学习模型的自动珊瑚检测系统，该系统针对水下图像分析进行了专门设计，该系统在原始图像数据集上成功实现了高效准确的珊瑚检测，突显了高级计算机视觉技术在珊瑚礁研究和保护中的潜力。

    Apr, 2024

  • 基于深度学习的海上无人机影像目标检测：综述与实验比较

    利用海洋无人机进行目标检测的深度学习技术在海洋工程和海洋行业的应用越来越重要。本文综述了海洋无人机目标检测面临的挑战、相关方法以及无人机航拍数据集，并提出了一个名为 MS2ship 的海洋无人机航拍数据集用于船只检测。通过一系列实验评估和鲁棒性分析，论文展示了这些目标检测方法在海洋数据集上的性能，并对未来的海洋无人机目标检测工作进行了讨论和展望。

    Nov, 2023