DS-SIAUG:一种自训练方法,使用扰乱学生模型进行增强侧扫描声纳图像增强
Chengyang Peng1, Shaohua Jin1, Gang Bian1
1Department of Oceanography and Hydrography, Dalian Naval Academy, Dalian 116018, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
这项研究引入了一种用于增强声纳图像的新方法,以改善海底目标识别. 扰乱学生模型通过选择具有代表性的图像来提高准确性,从而提高智能目标识别性能.
科学领域:
- 海洋技术 海洋技术
- 人工智能的人工智能是人工智能.
- 图像处理 图像处理
背景情况:
- 使用侧扫描声纳精确的海底目标检测对于海底分析至关重要.
- 智能目标识别的准确性在很大程度上取决于声纳图像样本的数量和代表性.
研究的目的:
- 开发一种用于侧扫描声纳图像的新型数据增强方法,以增强智能目标识别.
- 通过先进的图像处理技术,提高海底目标检测的准确性和效率.
主要方法:
- 设计了一种新的增强方法,即扰乱学生自我训练增强 (DS-SIAUG).
- 该方法利用一个对抗性网络,将Denoising Diffusion Probabilistic Model (DDPM) 和You Only Look Once (YOLO) 结合起来进行图像增强.
- 一个被破坏的学生模型被用来过和选择代表性的目标图像进行代的再培训.
主要成果:
- 通过DS-SIAUG方法,实现了与手动选择相美的目标识别精度.
- 与直接对抗网络增强相比,智能目标识别精度提高了约5%.
- 扰乱学生模型有效地过代表性图像,提高培训数据集的质量.
结论:
- 拟议的DS-SIAUG方法提供了一种有效的方法来增强侧扫描声纳图像数据集.
- 这种技术显著提高了智能海底目标识别的准确性.
- DS-SIAUG为增强依赖声纳数据分析的海洋技术应用提供了宝贵的工具.
