浮动海洋垃圾的AI驱动声学监测的基准测试:基于深度学习的垃圾提取挑战

科学领域:

• 海洋生物学 海洋生物学
• 声学成像 声学成像
• 人工智能的人工智能

背景情况:

• 在低可见度的海洋环境中,不可见的漂浮碎片对生态系统和海上安全构成重大威胁.
• 声纳技术有助于碎片监测,但自动提取小,低对比度的目标是具有挑战性的.
• 人工智能驱动的碎片量化为大规模监测提供了手工方法的有希望的替代方案.

研究的目的:

• 评估主导深度学习模型在声纳图像中自动提取漂浮碎片的性能.
• 确定阻碍在水下声学成像中准确检测碎片的挑战.
• 引入一个新的数据集,用于在恶劣的海洋垃圾监测场景中对AI模型进行基准测试.

主要方法:

• 在浮动碎片的声纳图像上对领先的深度学习细分模型的评估.
• 介绍和策划"强硬浮动碎片"数据集,包含1000个注释声学图像.
• 分析导致模型性能限制的因素,包括声学对比度和成像物理.

主要成果:

• 大多数深度学习细分模型在整个欧盟 (IoU) 实现了50%或更低的平均交叉点.
• 低声波对比度和目标模糊性显著影响了模型性能.
• 由于数据稀缺和声学成像物理 (例如,取决于范围的分辨率) 加剧了挑战.

结论:

• 目前的深度学习模型在准确地从声纳图像中提取漂浮的海洋碎片时面临重大障碍.
• 开发强大的AI系统需要解决数据稀缺性和声学成像固有的复杂性.
• "艰难漂浮碎片"数据集为推进人工智能驱动的自主海洋碎片监测提供了关键的基准.