FathomNet：面向海洋探索与发现的水下图像训练数据库
计算机视觉与模式识别
2020-07-13 v3 数据库
摘要
每年从遥控水下机器人（ROVs）和其他水下设备收集数千小时的海洋视频数据。然而，当前的手动分析方法阻碍了所收集数据在 ROV 实时算法和大型生物多样性分析中的充分利用。FathomNet 是一个新颖的基线图像训练集，旨在加速现代、智能和自动化的水下图像分析的开发。我们的种子数据集由一个专家标注并持续维护的数据库组成，包含超过 26,000 小时录像、680 万条标注和知识库中 4,349 个术语。FathomNet 利用该数据集提供水下概念的影像、定位和目标类别标签，以支持机器学习算法开发。迄今为止，已有超过 80,000 张图像和 106,000 个定位，涵盖 233 个不同类别，包括中层水和底栖生物。我们的实验包括训练各种深度学习算法，采用解决弱监督定位、图像标注、目标检测与分类的方法，结果证明颇具前景。虽然我们在此新数据集上获得了高质量的预测结果，但我们的结果表明，最终我们仍需要一个更大的数据集用于海洋探索。
引用
@article{arxiv.2007.00114,
title = {FathomNet: An underwater image training database for ocean exploration and discovery},
author = {Océane Boulais and Ben Woodward and Brian Schlining and Lonny Lundsten and Kevin Barnard and Katy Croff Bell and Kakani Katija},
journal= {arXiv preprint arXiv:2007.00114},
year = {2020}
}
备注
8 pages, 6 figures