Desacoplamiento Turbidez-Similitud: Aprendizaje Mutuo Coherente con Características para la Detección de Objetos...

Área de la Ciencia:

• Visión por Computadora
• Procesamiento de Imágenes
• Inteligencia Artificial

Sus antecedentes:

• La detección de objetos salientes submarinos (USOD) es un desafío debido al ruido de la imagen causado por la turbidez del agua y el bajo contraste entre el primer plano y el fondo.
• Los métodos existentes luchan por abordar eficazmente los problemas de ruido y similitud simultáneamente.

Objetivo del estudio:

• Proponer una arquitectura novedosa de doble modelo para USOD que supere los desafíos clave de detección.
• Mejorar la precisión y robustez de los sistemas de detección de objetos submarinos.

Principales métodos:

• Se desarrolló DenoisedNet utilizando un marco de separación-eliminación de ruido-mejora para suprimir el ruido mientras se preservan las características del objetivo.
• Se diseñó SearchNet con generación de pseudo-etiquetas y búsqueda capa por capa para una localización precisa en medio de un bajo contraste.
• Se implementó una estrategia de aprendizaje mutuo coherente con las características para permitir el aprendizaje colaborativo entre DenoisedNet y SearchNet.

Principales resultados:

• DenoisedNet y SearchNet demostraron un rendimiento superior en comparación con los métodos existentes en los puntos de referencia USOD10K y USOD.
• Se lograron mejoras significativas en la Error Absoluto Medio (MAE) del 4,52%/5,52% en USOD10K y del 1,61%/8,94% en USOD.
• La estrategia de aprendizaje mutuo complementó eficazmente las fortalezas de ambos modelos.

Conclusiones:

• La arquitectura de doble modelo propuesta aborda eficazmente los principales desafíos en USOD.
• Este enfoque ofrece una solución integral para la detección de objetos salientes submarinos precisa y robusta.
• El método logra un rendimiento de última generación, proporcionando un avance valioso en el campo.