این تئوری است و ما در حال کار بر روی انتشار مقاله خود هستیم. ما از معماری DCGAN در مجموعه داده DeepTrash استفاده خواهیم کرد. این مجموعه ای از تصاویر پلاستیکی در لایه epipelagic و لایه abyssopelagic اقیانوس است که برای تشخیص پلاستیک دریایی با استفاده از بینایی کامپیوتری انتخاب شده است. DCGAN یک توسعه مستقیم از معماری GAN است که در بالا ذکر شد با این تفاوت که از لایه‌های پیچیده عمیق به ترتیب در تفکیک‌کننده و مولد استفاده می‌کند. اولین بار توسط رادفورد و همکاران توصیف شد. al در مقاله آموزش نمایندگی بدون نظارت با شبکه‌های متخاصم مولد عمیق.
Aquanaut.ai
حل پیچیده ترین مسائل اقیانوس ها با هوشمندسازی پرورش ماهی.
بیان مسأله
آلودگی پلاستیکی دریایی در خط مقدم مسائل آب و هوایی در دهه گذشته بوده است. پلاستیک موجود در اقیانوس نه تنها می تواند جانداران دریایی را با خفه شدن یا گرسنگی از بین ببرد، بلکه با به دام انداختن CO2، عامل اصلی گرم شدن اقیانوس است. در سال‌های اخیر، تلاش‌های متعددی برای تمیز کردن پلاستیک‌هایی که اقیانوس‌های ما را می‌چرخانند، مانند گروه غیرانتفاعی The Ocean Cleanup انجام شده است. مشکل بسیاری از فرآیندهای پاکسازی این است که به نیروی انسانی نیاز دارد و مقرون به صرفه نیست. تحقیقات زیادی برای خودکارسازی این فرآیند با استفاده از…