Je confirme que je vais répondre en français selon les normes académiques exigées, en conservant les termes spécifiques comme LLM, LLMS, Agent, token, tokens sans traduction. Voici la traduction demandée : Je confirme que je vais répondre en français selon les normes académiques exigées, en conservant les termes spécifiques comme LLM, LLMS, Agent, token, tokens sans traduction. Voici la traduction demandée :

La détection précise et la segmentation des déchets marins sont essentielles pour préserver la propreté des milieux aquatiques. Ce papier présente un nouveau jeu de données dédié à la segmentation des déchets marins, collecté à l’aide d’un sonar à vue avant (Forward Looking Sonar, FLS). Ce jeu de données comprend 1 868 images FLS capturées à l’aide du capteur ARIS Explorer 3000. Les objets utilisés pour construire ce jeu de données incluent des déchets marins courants issus du quotidien ainsi que des objets perturbateurs (pneus, crochets, vannes, etc.), répartis en 11 classes distinctes plus une classe de fond. La performance d’architectures d’automatisation sémantique de pointe, utilisant divers encodeurs, a été analysée sur ce jeu de données et présentée comme résultats de référence. Étant donné que les images sont en niveaux de gris, aucune pondération pré-entraînée n’a été utilisée. Les comparaisons sont établies à l’aide du taux d’intersection sur union (Intersection over Union, IoU). Le modèle obtenu le meilleur résultat est Unet avec un encodeur ResNet34, atteignant un mIoU de 0,7481. Le jeu de données est disponible à l’adresse suivante : https://github.com/mvaldenegro/marine-debris-fls-datasets/