메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Qikang Deng (Pusan National University) Junho Ryu (Pusan National University) DoHoon Lee (Pusan National University)
저널정보
한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제28권 제2호
발행연도
2025.2
수록면
137 - 148 (12page)
DOI
10.9717/kmms.2025.28.2.137

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
In the aquaculture business, timely monitoring and treatment of fish diseases can prevent substantial economic losses. Numerous advanced visual AI algorithms can recognize and classify fish diseases in time. However, collecting fish disease image data from natural environments remains costly, resulting in limited available data. This scarcity of fish disease images hinders the training of advanced visual AI models. In the paper, we propose a data augmentation method that uses image generation technology to address this challenge. Our method first collects healthy fish images and then employs object detection and image segmentation to identify fish body parts. We developed a random fish disease area mask generation algorithm that automatically identifies areas for disease feature generation. Finally, we use image generation models to create disease features in these masked areas, producing synthetic fish disease images. Our experimental results show that our proposed augmentation method improved the RestNet50 model's performance in fish disease image classification, improving precision by 6.0%, recall by 4.4%, F1-score by 3.8%, and accuracy by 4.4%. These improvements are superior to other common augmentation methods.
#Fish Aquaculture #Image Classification #Rare Data Training #Image Augmentation #Image Generation

목차

ABSTRACT
1. INTRODUCTION
2. RELATED WORK
3. METHOD
4. EXPERIMENTS AND RESULTS
5. CONCLUSION
REFERENCE

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Chinese named entity recognition based on ERNIE-IDCNN-CRF
Hongjian Yang ,  Qinghao Zhang ,  Qikang Deng 외 1명 한국정보과학회 학술발표논문집 2022 .06
Lite weight Semantic Segmentation Model for Self-Driving base on Improved YOLOv5 and DBNet++
Qikang Deng ,  DongYeop Ra ,  In Gu Jo 외 1명 한국정보과학회 학술발표논문집 2022 .06
Model-Based Reinforcement Learning with Discriminative Loss
Guang Jin ,  Yohwan Noh ,  DoHoon Lee Journal of KIISE 2020 .06

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092454780