使用水下海洋生长的合成图像进行语义细分
Christian Mai1, Jesper Liniger1, Simon Pedersen1
1AAU Energy, Aalborg University, Esbjerg, Denmark.
Frontiers in robotics and AI
|January 23, 2025
概括
合成数据有效地训练海底机器学习模型,用于诸如海上能源运营等任务. 虽然对现实世界的应用有希望,但在准确细分某些水下特征方面仍然存在挑战.
科学领域:
- 海洋机器人和计算机视觉技术
- 开发人工智能用于海底作业.
背景情况:
- 海底应用正在扩大,增加了使用远程操作车辆进行高效检查,维护和维修 (IMR) 的需求.
- 由于恶劣和无法控制的环境条件,收集和标记准确的水下数据是很困难的.
- 合成环境提供了一种可控且具有成本效益的替代方案,用于生成用于海底机器学习的标记数据集.
研究的目的:
- 调查合成水下环境在生成标记数据集方面的有效性.
- 应用这些数据集来训练用于海底应用的机器学习模型.
- 评估在合成数据上训练的模型的性能,当它们应用于现实世界海底图像时.
主要方法:
- 创建了两个合成数据集,每个数据集包含1000多张图像.
- 使用Xception骨干的DeepLabV3+神经网络使用转移学习和数据增强进行训练.
- 这些数据集包括环境类,海上结构,船体和海洋生长.
主要成果:
- 机器学习模型在合成水下图像的细分方面取得了高准确性.
- 在对现实世界图像进行测试时,在三分之二的案例中观察到有希望的结果.
- 在现实应用中区分某些类别仍然存在挑战.
结论:
- 合成环境对于训练海底机器学习模型非常有效.
- 存在局限性,特别是在现实世界的场景中区分特定类别.
- 未来的改进包括用更复杂的物种增强合成环境,改善现实世界的图像质量.
