May, 2024

设计一个可持续的海洋垃圾清理框架，不包含人类标签

PDF
TL;DR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。
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

  • 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

  • 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

  • 实施基于边缘的微塑料残骸目标检测

    使用计算机视觉和开放视觉的增强卷积神经网络方法检测塑料残留物，以解决塑料垃圾在环境中的积累和污染问题。

    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

  • 深度学习在海洋垃圾追踪和检测中的最新应用：一项调查

    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

  • 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

  • 用于前视声纳语义分割的海洋垃圾数据集

    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

  • SeaDronesSee：开放水域人类检测的海上基准

    本文介绍了一个旨在填补从陆基视觉系统到海基系统的差距的大规模视觉目标检测和跟踪基准（SeaDronesSee），我们从各种高度和视角，提供海拔，视角和其他元数据等相关信息，收集和注释了超过 54,000 帧，包括 400,000 个实例，并在此基础上评估了多个最先进的计算机视觉算法。

    May, 2021

  • ZeroWaste 数据集：面向杂乱场景中的可变形物体分割

    该研究利用零浪费（ZeroWaste）数据集的计算机视觉技术，旨在提高回收处理过程中的分选效率，从而减少污染。

    Jun, 2021