U-YOLOv3: A Model Focused on Underwater Object Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Underwater image enhancement and object detection has great potential for studying underwater environments. It has been utilized in various domains, including image-based underwater monitoring and Autonomous Underwater Vehicle (AUV)-driven applications such as underwater terrain surveying. It has been observed that, underwater images are not clear due to several factors such as: low light, the presence of small particles, different levels of refraction of light etc. Extracting high-quality features from these images to detect objects is a significant challenging task. To mitigate this challenge, MIRNet and modified version of YOLOv3 namely Underwater-YOLOv3 (U-YOLOv3) is proposed. The MIRNetisadeeplearning-based technology for enhancing underwater images. while using YOLOv3 for underwater object detection it lacks in detection of very small objects and huge size objects. To address this problem proper anchor box size, quality feature aggregation technique, and during object classification image resizing is required. The proposed U-YOLOv3 has three unique features which helps to work with above specified issue like accurate anchor box determination using the K-means++ clustering algorithm, introduced Spatial Pyramid Pooling (SPP) layer during feature extraction which helps in feature aggregation and added downsampling and upsampling to improve detection rate of very large and very small size objects. The size of the anchor box is crucial in detecting objects of different sizes, SPP helps in aggregation of features, while down and upsampling changes sizes of objects during object detection. The experiment on the Brackish and Trash-ICRA19 datasets shows that our proposed method enhances the mean average precision for both datasets by 10% and 9%, respectively, compared to the original YOLOv3 and other existing work. This enhancement demonstrates that our proposed model is more appropriate for identifying submerged items and is also capable of recognizing closely clustered, small, very large objects on the ocean floor.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle