用于前视声纳图像中目标少样本学习的外部记忆网络
计算机视觉与模式识别
2021-07-23 v1 机器学习
摘要
我们提出了一种基于记忆的框架，用于前视声纳（FLS）图像中的实时、数据高效目标分析。我们的框架首先使用一个小规模受 DenseNet 启发的网络从图像中去除非判别性细节。这样做简化了后续分析，并允许从少量标注样本中泛化。然后我们将滤波后的图像级联输入一个新颖的基于 NeuralRAM 的卷积匹配网络 NRMN，用于少样本目标识别。我们采用一个小规模 FlowNet，即 LFN，以跨局部时间尺度对齐和配准 FLS 图像。LFN 实现了跨图像的目标标签共识投票，并普遍提高了目标检测与识别率。我们使用具有高度类内变异性和丰富子类结构的多类宽泛目标类的真实世界 FLS 图像评估了我们的框架。我们展示了少样本学习，使用十到三十个类特定样本，其性能与每类数百个样本训练的有监督深度网络相当。有效的零样本学习也是可能的。当去除干扰元素时，NRMN 的归纳迁移特性实现了高性能。
引用
@article{arxiv.2107.10504,
title = {External-Memory Networks for Low-Shot Learning of Targets in Forward-Looking-Sonar Imagery},
author = {Isaac J. Sledge and Christopher D. Toole and Joseph A. Maestri and Jose C. Principe},
journal= {arXiv preprint arXiv:2107.10504},
year = {2021}
}
备注
Submitted to IEEE Journal of Oceanic Engineering