少样本学习方法在水下光学与声纳图像分类中的比较
计算机视觉与模式识别
2020-10-27 v2
摘要
深度卷积神经网络通常在水下光学与声纳图像的目标识别任务中表现良好。许多此类方法需要每类数百乃至数千张图像才能对未见样本良好泛化。然而，获取和标注足够大量的数据可能相对昂贵且耗时，尤其在观测稀有物体或执行实时操作时。少样本学习（FSL）研究已产生许多有前景的方法以应对低数据可用性问题。然而，水下领域很少受到关注，其中图像风格给目标识别算法带来额外挑战。据我们所知，本文是首篇使用水下光学与侧扫声纳图像评估并比较多种监督与半监督少样本学习（FSL）方法的论文。我们的结果表明，FSL 方法相比微调预训练模型的传统迁移学习方法具有显著优势。我们希望我们的工作有助于将 FSL 应用于自主水下系统并扩展其学习能力。
引用
@article{arxiv.2005.04621,
title = {A Comparison of Few-Shot Learning Methods for Underwater Optical and Sonar Image Classification},
author = {Mateusz Ochal and Jose Vazquez and Yvan Petillot and Sen Wang},
journal= {arXiv preprint arXiv:2005.04621},
year = {2020}
}
备注
Accepted to IEEE Global OCEANS 2020: Singapore - U.S. Gulf Coast