今日、水中環境に関する人間の知識は限られており、正確さに欠けています。海底の理解を深めることは、主要な科学的課題であり、この分野で認識されている世界大国にとっての戦略目標となっている。たとえばフランスは、「フランス2030」計画の10目標の中に深海底の探査を含めている。この探査は、AUV 水中ドローンや ROV 水中ロボット システムなどの観測システムに搭載されたセンサー (カメラやその他のセンサー) を介してデータを収集および分析することによって行われます。これらの観測システムを装備したドローンは、地図の作成、監視の実施、環境の変化の検出、プランクトンの進化の追跡、サンゴ塊の生命の分析、生物多様性の進化の追跡が可能になります。
広い意味での海洋。
以前の研究で、カメラと AI ベースの画像処理の使用は、運用の観点からは興味深い代替手段であるが、一般化の問題があることが実証されています。実際、私たちは調査した水中エリアと分類/セグメンテーション アルゴリズムのパフォーマンスとの間に依存性があることに気づきました。水中のエリア、季節、または単に時間を変更すると、分類パフォーマンスは 92% から 56% に低下します。この修士課程の科目が属する CESAR プロジェクトの目的の 1 つは、時空間依存性を軽減するために、複数のソースから取得された異種データを交差させることによって古典的な AI アルゴリズムを強化することです。
目標
1. 取得環境からのデータとともにビデオ データが利用できる既存のデータベースに精通します。
2. マルチモーダルデータ分析技術に関する文献レビューを実施します。 「対照学習」に基づく技術により、画像のみに基づいた堅牢な学習が可能になります。 「カリキュラム学習」を利用することで、段階的に環境データを挿入することが可能になります。
3. いくつかの学習手法のパフォーマンスをテストして比較する実験を実行します。
#水中環境向けAI画像処理