一个基于扩散的超级分辨率模型,用于增强声纳图像
Oscar Bryan1,2, Thibaud Berthomier2, Benoit D'Ales2
1University of Bath, Bath, United Kingdom.
The Journal of the Acoustical Society of America
|January 23, 2025
概括
本研究使用条件扩散模型来增强低分辨率声纳图像,提高机器学习兼容性和检测率,而不会增加假阳性.
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:
- 现代声纳系统达到厘米分辨率,但传统数据集是有限的.
- 实际限制和老旧的系统阻碍了现有声纳数据的分辨率.
- 对于先进的机器学习应用,需要一个统一的数据集.
研究的目的:
- 使用先进的人工智能升级低分辨率声纳数据集.
- 为了确保传统和高分辨率声纳数据的向后兼容性.
- 在统一的声纳数据集上提高机器学习性能.
主要方法:
- 采用单一图像超分辨率技术,使用条件扩散模型.
- 开发了一种绘制方法,将高档低分辨率声纳图像转换为更高分辨率的图像.
- 引入了两种基于声学物理和ATR实用性的新型声纳特定评估指标.
主要成果:
- 升级图像显示了更好的分类性能.
- 扩散模型方法没有增加错误检测的概率.
- 实现了比二立方插入检测的7%更高的检测概率,比CNN的6%更高,比GAN的2%更高.
结论:
- 条件扩散模型有效地升级声纳图像,以增强机器学习.
- 拟议的方法弥合了声纳数据集中的分辨率差距,使统一分析成为可能.
- 新的指标可以更好地评估用于目标识别的声纳图像增强.
