图像分类是计算机视觉中最重要的领域之一。当根据层次结构或分类学排列多级图像分类问题时，层次多标签分类适用于较小的图像分类问题。因此，分层分类模式通常在每个实例上提供多个类预测，从而期望这些模式反映图像类的结构相互关联。在本文中，我们提出了用于分层分类的多标签胶囊网络（ML-CAPSNET）。我们的ML-CAPSNET根据分层类标签树结构预测多个图像类。为此，我们提出了一个损失函数，该函数考虑了网络的多标签预测。结果，我们的ML-CAPSNET的训练方法使用粗到细的范式，同时与标签层次结构中的分类水平保持一致。我们还使用广泛可用的数据集执行实验，并将模型与文献其他地方的替代方案进行比较。在我们的实验中，我们的ML capsnet在这些替代方法方面产生了改善的余地。
translated by 谷歌翻译
th骨海星（COTS）爆发是大屏障礁（GBR）珊瑚损失的主要原因，并且正在进行实质性的监视和控制计划，以将COTS人群管理至生态可持续的水平。在本文中，我们在边缘设备上介绍了基于水下的水下数据收集和策展系统，以进行COTS监视。特别是，我们利用了基于深度学习的对象检测技术的功能，并提出了一种资源有效的COTS检测器，该检测器在边缘设备上执行检测推断，以帮助海上专家在数据收集阶段进行COTS识别。初步结果表明，可以将改善计算效率的几种策略（例如，批处理处理，帧跳过，模型输入大小）组合在一起，以在Edge硬件上运行拟议的检测模型，资源消耗较低，信息损失较低。
translated by 谷歌翻译
使用水下车辆监测珊瑚礁可通过收集大量图像来增加海洋调查的范围和历史生态数据的可用性。可以使用经过训练的语义分割的模型来对该图像进行分析，但是它太成本且耗时，无法将图像密集标记，以用于训练监督模型。在这封信中，我们利用具有稀疏点标签的生态学家标记的照片图像图像。我们提出了一种点标签的方法，用于在超级像素区域内传播标签，以获得增强的地面真理，以训练语义分割模型。我们的点标签意识到的Superpixel方法利用了稀疏点标签，并使用学到的功能将像素簇精确地生成杂物，复杂的珊瑚图像中的单物种段。对于像素精度，我们的方法优于UCSD马赛克数据集上的先验方法，而对于标签传播任务，平均值IOU为8.35％，同时将以前方法报告的计算时间缩短了76％。我们在UCSD Mosaics DataSet上训练DeepLaBV3+架构和胜过语义细分的最先进2.91％，而平均值为9.65％，Pixel的精度为4.19％，而对于Eilat DataSet的IOU，则为14.32％ 。
translated by 谷歌翻译
荆棘冠的海星（婴儿床）爆发是珊瑚损失的主要原因是巨大的障碍礁（GBR），并且正在进行大量监测和控制计划，以试图管理生态可持续水平的COTS群体。我们释放了GBR上的COTS爆发区域的大规模注释的水下图像数据集，以鼓励机器学习和AI驱动技术的研究，以改善珊瑚礁秤上的COTS群体的检测，监测和管理。该数据集发布并托管在一次竞争中，挑战国际机器学习界，并从这些水下图像中的COTS检测的任务挑战。
translated by 谷歌翻译