Die Studie gibt einen umfassenden Überblick über die jüngsten und bedeutendsten Beiträge des Deep Learning zur Lösung des Meeresmüllproblems.
Zunächst wird die Entwicklung des Einsatzes von KI-Methoden im Laufe der Zeit dargestellt. Anfangs wurden klassische Methoden wie Support Vector Machines, Random Forests und neuronale Netze verwendet, die jedoch in den letzten fünf Jahren zunehmend von Deep-Learning-Techniken abgelöst wurden.
Der Schwerpunkt liegt auf zwei Hauptanwendungsgebieten: Fernerkundung zur Verfolgung treibenden Mülls und Objekterkennung zur Identifizierung von Müll in Bild- und Videodaten. Bei der Fernerkundung zeigen Studien, dass Methoden wie semantische Segmentierung, Synthetic Aperture Radar und Indizes wie der Floating Debris Index gute Ergebnisse liefern können.
Bei der Objekterkennung haben sich insbesondere Methoden der YOLO-Familie als leistungsfähig erwiesen, erreichen aber auch hier nicht die gewünschte Genauigkeit aufgrund des Mangels an umfassenden Trainingsdatensätzen. Einige Studien haben versucht, die Leistung durch Modifikationen wie Shuffle-Xception oder ResNet50-YOLOv3 zu verbessern.
Abschließend werden über 40 Empfehlungen für zukünftige Forschung und offene Herausforderungen identifiziert, insbesondere im Bereich der Datenerfassung und -annotation.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Zoe Moorton,... at arxiv.org 03-28-2024
https://arxiv.org/pdf/2403.18067.pdfDeeper Inquiries