Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Mobile Networks and Applications
Erschienen in: Mobile Networks and Applications 3/2020

10.10.2018

Deep-Sea Organisms Tracking Using Dehazing and Deep Learning

verfasst von: Huimin Lu, Tomoki Uemura, Dong Wang, Jihua Zhu, Zi Huang, Hyoungseop Kim

Erschienen in: Mobile Networks and Applications | Ausgabe 3/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Deep-sea organism automatic tracking has rarely been studied because of a lack of training data. However, it is extremely important for underwater robots to recognize and to predict the behavior of organisms. In this paper, we first develop a method for underwater real-time recognition and tracking of multi-objects, which we call “You Only Look Once: YOLO”. This method provides us with a very fast and accurate tracker. At first, we remove the haze, which is caused by the turbidity of the water from a captured image. After that, we apply YOLO to allow recognition and tracking of marine organisms, which include shrimp, squid, crab and shark. The experiments demonstrate that our developed system shows satisfactory performance.
Vorheriger Artikel EEDVMI: Energy-Efficient Dynamic Virtual Machines Integration
Nächster Artikel Learning for Smart Edge: Cognitive Learning-Based Computation Offloading

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
Mandic F, Rendulic I, Miskovic N, Nad D (2016) Underwater object tracking using sonar and USBL measurements. Journal of Sensors 2016:Article ID 8070286. 10 pages
2.
Dong W, Lu H, Yang M (2015) Kernel collaborative face recognition. Pattern Recogn 48(10):3025–3237CrossRef
3.
Wang D, Lu H, Li X (2011) Two dimensional principal components of natural images and its application. Neurocomputing 74(17):2745–2753CrossRef
4.
Lu H, Li Y, Uemura T, Kim H, Serikawa S (2018) Low illumination underwater light field images reconstruction using deep convolutional neural networks. Futur Gener Comput Syst 82:142–148CrossRef
5.
Xie S, Chen J, Luo J, Xie P, Tang W (2012) Detection and tracking of underwater object based on forward-scan sonar. Proc. of International Conference on Intelligent Robotics and Applications, pp 341–347
6.
Li M, Ji H, Wang X, Weng L, Gong Z (2013) Underwater object detection and tracking based on multi-beam sonar image processing. Proc. of IEEE International Conference on Robotics and Biomimetics, pp 1–5
7.
Snyder J, Silverman Y, Bai Y, Maclver M (2012) Underwater object tracking using electrical impedance tomography. Proc. of IEEE/RSJ International Conference on Intelligent Robots and Systems, pp 1–6
8.
Walther D, Edgington D, Koch C (2004) Detection and tracking of objects in underwater video. Proc. of the 2004 Computer Society Conference on Computer Vision and Pattern Recognition, pp 1–5
9.
Chuang M, Hwang J, Ye J, Huang S, Williams K Underwater fish tracking for moving cameras based on deformable multiple kernels. ArXiv:1603.01695.pdf
10.
Lee D, Kim G, Kim D, Myung H, Choi H Vision-based object detection and tracking for autonomous navigation of underwate robots. Ocean Eng 48:59–68
11.
Redmon J, Divvala S, Girshick R, Farhadi A (2016) You only look once: unified, real-time object detection. In: Proc. CVPR, pp 779–788
12.
Redmon J, Farhadi A (2017) Yolo9000: better, faster, stronger. In: Proc. CVPR, pp 7263–7271
13.
Li Y, Lu H, Li J, Li X, Li Y, Serikawa S (2016) Underwater image de-scattering and classification by deep neural network. Comput Electr Eng 54:68–77CrossRef
14.
Lu H, Li Y, Uemura T, Ge Z, Xu X, He L, Serikawa S, Kim H (2018) FDCNet: filtering deep convolutional network for marine organism classification. Multimedia Tools and Applications 77(17):21847–21860
15.
Lu H, Li Y, Mu S, Wang D, Kim H, Serikawa S (2018) Motor anomaly detection for unmanned aerial vehicles using reinforcement learning. IEEE Internet of Things 5(4):2315–2322
16.
Lu H, Li Y, Chen M, Kim H, Serikawa S (2018) Brain intelligence: go beyond artificial intelligence. Mobile Networks and Application 23(2):368–375
17.
Lu H, Li Y, Nakashima S, Serikawa S (2016) Turbidity underwater image restoration using spectral properties and light compensation. IEICE Trans Inf Syst E-99D(1):219–226CrossRef
18.
Lu H, Li Y, Zhang L, Serikawa S (2015) Contrast enhancement for images in turbid water. J Opt Soc Am A 32(5):886–893CrossRef
19.
Serikawa S, Lu H (2014) Underwater image dehazing using joint trilateral filter. Comput Electr Eng 40(1):41–50CrossRef
20.
Kalal Z, Mikolajczyk K, Matas J (2010) Tracking-Learnig-detection. IEEE Trans Pattern Anal Mach Intell 6(1):1–17
21.
Kalal Z, Mikolajczyk K, Matas J (2010) Forward-backward error: automatic detection of tracking failures. In: ICPR
22.
Lucas BD, Kanade T (1981) An iterative image registration technique with an application to stereo vision. International Joint Conference on Artificial Intelligence 81:674–679
Metadaten
Titel
Deep-Sea Organisms Tracking Using Dehazing and Deep Learning
verfasst von
Huimin Lu
Tomoki Uemura
Dong Wang
Jihua Zhu
Zi Huang
Hyoungseop Kim
Publikationsdatum
10.10.2018
Verlag
Springer US
Erschienen in
Mobile Networks and Applications / Ausgabe 3/2020
Print ISSN: 1383-469X
Elektronische ISSN: 1572-8153
DOI
https://doi.org/10.1007/s11036-018-1117-9

Weitere Artikel der Ausgabe 3/2020

Mobile Networks and Applications 3/2020 Zur Ausgabe

EditorialNotes

Editorial: Cognitive Science and Artificial Intelligence for Human Cognition and Communication

OriginalPaper

Intelligent and Good Machines? The Role of Domain and Context Codification

OriginalPaper

A Low-Cost and Low-Power Messaging System Based on the LoRa Wireless Technology

OriginalPaper

Participation of all Employee Categories in Innovation Processes in Slovak Organisations

OriginalPaper

Smart Solution of Traffic Congestion through Bike Sharing System in a Small City

OriginalPaper

Designing Energy Efficient Strategies Using Markov Decision Process for Crowd-Sensing Applications