Un groupe de chercheurs, Gautam Tata, Sarah-Jeanne Royer, Olivier Poirion et Jay Lowe, ont composé un tout nouvel article « DeepPlastic: An Unique Technique to Finding Epipelagic Bound Plastic Using Deep Visual Models ». Le flux de travail expliqué dans le document comprend la production et le prétraitement d’un ensemble d’informations spécifiques au domaine, le développement d’une conception de détection d’éléments utilisant un réseau de neurones profond et l’examen de l’efficacité de la conception. YOLOv5-S était le modèle le plus performant, qui fonctionne à une précision moyenne typique (mAP) de 0,851 et un score F1 de 0,89 tout en préservant la vitesse en temps quasi réel. Le référentiel de code DeepPlastic peut être trouvé ICI.
Les chercheurs ont en fait été confrontés à un tout nouveau travail qui existe dans l’union de stratégies innovantes d’apprentissage en profondeur/de vision par ordinateur et des sciences marines. En utilisant des réseaux antagonistes génératifs (GAN) et des sous-ensembles de l’ensemble de données DeepTrash, ils peuvent désormais créer des images synthétiques de débris marins plastiques dans les environnements océaniques. Voir l’image composée ci-dessous comme exemple d’une image de particules de plastique marines artificielles repérées par DeepPlastic.
Voici une 30 2ème bobine de démonstration de la conception de détection environnements :
Toute l’actualité en temps réel, est sur L’Entrepreneur
