用于声纳图像中海洋垃圾检测的深层神经网络

垃圾与废物处理是人类当前面临的最大挑战之一。在任何可持续社会中，妥善的废物处理与回收都是必需的，而在许多沿海地区，以漂浮或 submerged 垃圾形式存在的水污染十分严重。这被称为海洋垃圾。Submerged 海洋垃圾威胁海洋生物，在浅海岸区域还会威胁渔船[Iñiguez 等人 2016, Renewable and Sustainable Energy Reviews]。Submerged 海洋垃圾通常在环境中存留很长时间（20 年以上），且由金属、塑料、玻璃等可回收材料构成。许多此类物品不应被弃置于水体中，因为会对环境和人类健康产生负面影响。本论文对使用 DNNs 解决 FLS 图像中海洋垃圾检测问题，以及图像分类、匹配和检测提议等相关问题进行了全面评估。我们在一个包含 2069 张 FLS 图像的数据集上完成此工作，这些图像由 ARIS Explorer 3000 传感器在小水池底部放置的海洋垃圾物体上采集。我们用于生成该数据集的物体包含典型的家庭海洋垃圾和干扰海洋物体（轮胎、钩子、阀门等），分为 10 个类别外加一个背景类。我们的结果表明，对于所评估的任务，DNNs 是优于相应 SOTA 的技术。在匹配和检测提议任务上收益尤其大。我们还研究了样本复杂度和物体尺寸在许多任务中的影响，这对从业者是有价值的信息。我们期望我们的结果能推进使用 Autonomous Underwater Vehicles 自动勘测、检测和收集水下环境中海洋垃圾这一目标。