水産資源管理に向けたMask R-CNNによるFew-shot魚体長認識

• Item type: Trans(1)
• 公開日: 2022-05-31
• タイトル: 水産資源管理に向けたMask R-CNNによるFew-shot魚体長認識
• タイトル / 言語: en
• タイトル: Few-shot Fish Length Recognition by Mask R-CNN for Fisheries Resource Management
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [研究論文] 水産資源管理，Few-shot魚体長認識，Mask R-CNN
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 福井大学大学院工学研究科
• 著者所属: 福井大学大学院工学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, University of Fukui
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, University of Fukui
• 著者名: 長谷川, 達人; 田中, 基貴
• 著者名(英): Tatsuhito, Hasegawa; Motoki, Tanaka
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 2018年に本国において70年ぶりの漁業法の一部改正が決定された．新漁業法の主な目的は，水産資源の持続的な利用を確保し漁業生産力を発展させることとされている．この目的の達成には，操業や水揚げ等の情報を用いた資源調査を行い，科学的な知見に基づいた客観的な指標により資源評価を行い，評価結果に基づく指標に従った資源管理を行うことが重要である．一方，漁獲した尾数や，魚種，魚体長といった資源評価に必要な基礎情報は，各漁場で手動で計測されていることが多い．本研究では，Mask R-CNNを用いた画像認識により漁獲物の基礎情報を自動で収集するシステムを提案する．特に，Copy-Paste Augmentation（CP-Aug）と敵対的訓練により少量のラベル付きデータのみを用いてモデルを訓練した点と，クラス分類Headを1 class分類に変更した点が特色である．評価実験の結果，CP-Augにより複数魚の検出精度が大幅に向上した．また，敵対的訓練によりアノテーション誤差に頑健な特徴表現の獲得がなされ，1 class分類により未知魚に対する精度向上も達成した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In 2018, the partial revision of the Fishery Act for the first time in 70 years was decided in Japan. The main purpose of the new Fisheries Act is to ensure sustainable use of fishery resources and to develop fishery productivity. In order to achieve this objective, it is important to conduct resource surveys using information on operations and landings, to evaluate resources using objective indicators based on scientific knowledge, and to manage resources according to the indicators based on the evaluation results. However, the basic information required for resource evaluation, such as the number of fish caught, fish species, and fish length, is often measured manually at each fishing ground. In this study, we propose a system that automatically collects basic information of fish catches by image recognition using Mask R-CNN. In particular, we trained the model using only a small number of labeled data by Copy-Paste Augmentation (CP-Aug) and adversarial training, and changed the fish species classification head to one class classifier. As a result of the evaluation experiments, the segmentation accuracy of multiple fishes was greatly improved by CP-Aug. In addition, the adversarial training resulted in the acquisition of feature representations that are robust to annotation errors, and the 1-class classification also improved the accuracy for unknown fish.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA12628043
• 書誌情報: 情報処理学会論文誌コンシューマ・デバイス＆システム（CDS）; 巻 12, 号 2, p. 38-48, 発行日 2022-05-31
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2186-5728
• 出版者 / 言語: ja
• 出版者: 情報処理学会