一种用于高效声纳图像分类的阴影与高亮区域上下文自适应融合新方法
计算机视觉与模式识别
2025-06-03 v1
摘要
声纳成像是水下探索的基础，在国防、导航和海洋研究中有重要应用。阴影区域尤其为目标检测和分类提供了重要线索，然而现有研究主要集中在基于高亮的分析上，使得基于阴影的分类未得到充分探索。为了弥补这一空白，我们提出了一种上下文自适应的声纳图像分类框架，利用先进的图像处理技术提取并整合具有区分性的阴影和高亮特征。我们的框架引入了一种新颖的特定阴影分类器和自适应阴影分割，能够基于主导区域进行有效分类。该方法确保了最优的特征表示，提高了对噪声和遮挡的鲁棒性。此外，我们引入了一种区域感知去噪模型，通过保留关键结构细节同时抑制噪声来增强声纳图像质量。该模型结合了可解释性驱动的优化策略，确保去噪过程由特征重要性引导，从而提高可解释性和分类可靠性。另外，我们提出了 S3Simulator+，这是一个扩展数据集，包含了带有专为水下声纳领域定制的物理信息噪声的海军水雷场景，促进了鲁棒人工智能模型的开发。通过结合新颖的分类策略和增强的数据集，我们的工作解决了声纳图像分析中的关键挑战，为自主水下感知的发展做出了贡献。
引用
@article{arxiv.2506.01445,
title = {A Novel Context-Adaptive Fusion of Shadow and Highlight Regions for Efficient Sonar Image Classification},
author = {Kamal Basha S and Anukul Kiran B and Athira Nambiar and Suresh Rajendran},
journal= {arXiv preprint arXiv:2506.01445},
year = {2025}
}