增加侧扫描声纳海底沉积物图像数据集的方法 基于 BCEL1-CBAM-INGANAN 的数据集
Haixing Xia1, Yang Cui1, Shaohua Jin1
1Department of Oceanography and Hydrography, Dalian Naval Academy, Dalian 116018, China.
Journal of imaging
|September 27, 2024
概括
这项研究引入了一种使用CBAM-BCEL1-INGAN生成多种海底沉积物图像的新方法,提高了分类准确性并解决了侧扫描声纳分析的数据稀缺问题.
科学领域:
- 海洋地质学 海洋地质学
- 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:
- 获取和标记海底沉积物图像数据集是一项挑战.
- 现有的数据集往往缺乏足够的多样性和数量.
- 侧扫描声纳技术需要高质量,多样化的数据进行准确的分析.
研究的目的:
- 提出一种用于增强侧扫描声纳海底沉积物图像的新方法.
- 解决数据稀缺问题,提高培训数据集的多样性.
- 提高海底沉积物分类模型的性能.
主要方法:
- 集成的卷积区注意模块 (CBAM) 进入INGAN生成器,用于属性学习.
- 引入了BCEL1损失函数 (二进制交叉和L1损失) 在改善生成的区分器中.
- 利用AlexNet分类器验证增强图像的真实性和性能.
主要成果:
- 在生成粗沙,石和基石图像方面表现出色.
- 在Frechet Inception Distance (FID) 和Inception Score (IS) 中取得了显著的改善.
- 使用增强数据,基岩识别率从90.5%提高到97.3% (改善6.8%).
结论:
- 拟议的CBAM-BCEL1-INGAN方法有效地增强了海底沉积物图像.
- 该方法提高了图像质量,细节和分类准确性.
- 验证的有效性在缓解数据稀缺性的侧扫描声纳海底沉积物图像分析.
