Dissertação
Enhancing Underwater Object Detection, Multi-Label Classification, and Out-of-Distribution Detection with Advanced Deep Learning Techniques and Augmentation Methods EVALUATED
A tese explora as técnicas avançadas de aprendizagem profunda para elaborar a deteção de objectos subaquáticos, a classificação de vários rótulos e a deteção de fora da distribuição e centra-se especialmente no conjunto de dados da competição Fathomnet, um conjunto de dados abrangente e de fonte aberta de imagens subaquáticas. Propomos uma nova abordagem de aumento de dados, denominada Depth Jitter; um método dedicado a corrigir as distorções de cor introduzidas por caraterísticas relacionadas com a profundidade. O nosso método produziu um ganho de desempenho em termos de uma pontuação de precisão média mínima esperada de 2-3\% mAP@20. Apesar de desafios como o desequilíbrio de dados das imagens subaquáticas e a variabilidade ambiental, a nossa técnica de aumento de dados permitiu aos modelos como o Query2Label e o YOLOv9 demonstrar robustez e adaptabilidade, e são capazes de obter resultados sem recorrer a conjuntos de dados externos. Este estudo utiliza estes modelos como ponto de partida para explorar a sua utilidade no avanço de aplicações-chave em estudos marinhos - codificação de espécies e observação do habitat - para efeitos de conservação marinha. A investigação futura centrar-se-á no aumento da diversidade do conjunto de dados, na melhoria das técnicas para lidar com o desequilíbrio dos dados, na melhoria da interpretabilidade do modelo e na exploração de opções para a implementação em tempo real. A integração de modelos híbridos e o melhoramento da deteção de elementos fora da distribuição ajudarão a aumentar a fiabilidade e a aplicabilidade da análise de imagens subaquáticas.
outubro 16, 2024, 14:45
Documentos da dissertação ainda não disponíveis publicamente
Orientação
