DeepTrash

displayName: DeepTrash
labelTypes:
- Box2D
license:
- CC BY 4.0
mediaTypes:
- Image
paperUrl: https://arxiv.org/pdf/2105.01882v4.pdf
publishDate: "2021-04-16"
publishUrl: https://zenodo.org/record/5562940#.YpAzcuhBw2w
publisher:
- California State University
- Jackson Laboratory
- Scripps Institution of Oceanography
- Ocean Cleanup Foundation
- Hawaii Pacific University
tags:
- Ocean plastic
taskTypes:
- Trash Recognization
- Object Detection

---
# 数据集介绍
## 简介
正浮力海洋塑料碎片的量化对于理解塑料是如何产生的至关重要
垃圾在世界海洋中堆积，对于识别目标热点也至关重要
清理工作。目前，量化海洋塑料最常用的方法是使用蝠鲼拖网
用于手动采样。然而，这种方法成本高，需要人工。这项研究
通过使用神经网络的自主方法消除了手动采样的需要，并且
计算机视觉模型，对从海柱各层捕获的图像进行训练
进行实时塑料量化。表现最好的模型具有平均平均精度
85% 和 0.89 的 F1 分数，同时保持接近实时的处理速度 2 ms/img。
## 引文
```
@article{tata2021robotic,
title={A Robotic Approach towards Quantifying Epipelagic Bound Plastic Using Deep Visual Models},
author={Tata, Gautam and Royer, Sarah-Jeanne and Poirion, Olivier and Lowe, Jay},
journal={arXiv preprint arXiv:2105.01882},
year={2021}
}
```

## Download dataset
:modelscope-code[]{type="git"}

数据集名称：DeepTrash
标签类型：
- 二维边界框（Box2D）
许可证：
- CC BY 4.0协议
媒体类型：
- 图像
论文链接：https://arxiv.org/pdf/2105.01882v4.pdf
发布日期：2021年4月16日
发布平台链接：https://zenodo.org/record/5562940#.YpAzcuhBw2w
发布机构：
- 加利福尼亚州立大学
- 杰克逊实验室
- 斯克里普斯海洋研究所
- 海洋清理基金会
- 夏威夷太平洋大学
标签：
- 海洋塑料
任务类型：
- 垃圾识别
- 目标检测

---
# 数据集介绍
## 简介
正浮力海洋塑料碎片的量化研究，对于解析海洋塑料的积累机制、识别垃圾堆积热点区域以及开展海洋清理工作均具有重要意义。当前，量化海洋塑料最常用的手段是采用蝠鲼拖网进行手动采样，但该方法成本高昂且耗费人力。本研究借助神经网络与计算机视觉模型，针对水层各层捕获的图像进行训练，实现实时塑料量化，从而消除了手动采样的需求。表现最优的模型平均精度均值（mAP）达85%，F1分数为0.89，同时保持了每幅图像仅需2毫秒的近实时处理速度。
## 引文

@article{tata2021robotic,
title={A Robotic Approach towards Quantifying Epipelagic Bound Plastic Using Deep Visual Models（基于深度视觉模型量化表层水域束缚塑料的机器人方法）},
author={Tata, Gautam and Royer, Sarah-Jeanne and Poirion, Olivier and Lowe, Jay},
journal={arXiv preprint arXiv:2105.01882},
year={2021}
}

## 数据集下载:modelscope-code[]{type="git"}

搜集汇总

背景与挑战

背景概述

DeepTrash是一个专注于海洋塑料垃圾识别的计算机视觉数据集，包含Box2D标注的图像数据，用于训练物体检测模型。该数据集由多个研究机构合作开发，旨在通过AI技术实现海洋塑料的自动量化，替代传统人工采样方法。