GeoCLR：用于高效海底图像解译的地理参考对比学习
计算机视觉与模式识别
2022-06-28 v2
摘要
本文描述了视觉表示的地理参考对比学习（GeoCLR），用于高效训练深度学习卷积神经网络（CNN）。该方法利用地理参考信息，通过使用在邻近位置拍摄的图像生成相似图像对，并将其与相距较远的图像对进行对比。其底层假设是，在近距离内采集的图像更可能具有相似的视觉外观，这在海底机器人成像应用中可以合理满足：此类应用的图像足迹仅限于几米的边长，并沿航行器轨迹拍摄以使其重叠，而海底底质与栖息地的斑块尺寸则远大于此。该方法的一个关键优势是自监督的，不需要任何人工输入用于CNN训练。该方法计算高效，在多天AUV任务中，可利用大多数海洋现场试验中可获取的计算资源在潜次之间生成结果。我们将GeoCLR应用于由自主水下航行器（AUV）采集的约86k张图像组成的数据集上的栖息地分类。我们展示了GeoCLR生成的潜在表示如何用于高效指导人工标注工作，其中该半监督框架在使用相同CNN和同等数量人工标注进行训练时，相比最先进的SimCLR平均提高分类精度10.2%。
引用
@article{arxiv.2108.06421,
title = {GeoCLR: Georeference Contrastive Learning for Efficient Seafloor Image Interpretation},
author = {Takaki Yamada and Adam Prügel-Bennett and Stefan B. Williams and Oscar Pizarro and Blair Thornton},
journal= {arXiv preprint arXiv:2108.06421},
year = {2022}
}
备注
30 pages, 9 figures