利用分辨率缩放与 SymmNet 无监督域适应改进底栖分类
计算机视觉与模式识别
2023-03-21 v1 机器人学
摘要
自主水下航行器（AUVs）定期对海洋环境进行视觉调查，以表征和监测底栖生物的组成与多样性。将机器学习分类器用于该任务受到可用标注数量少以及涉及众多细粒度类别的限制。除这些挑战外，由于相机系统、成像高度、光照和水体性质的变化，不同 AUV 调查期间获取的图像集之间存在域偏移，导致来自不同调查（其中部分或全部要素可能已改变）的图像分类性能下降。本文提出一种框架，用于提升底栖形态物种分类器在分类来自不同于训练数据的调查图像时的性能。我们采用最先进的 SymmNet 无监督域适应（Unsupervised Domain Adaptation）方法，结合高效双线性池化层与图像缩放以归一化空间分辨率，并展示了分类准确率的提升。我们在两个具有来自不同成像载荷与地点的 AUV 调查图像的数据集上测试了我们的方法。结果表明，通用域适应可得到增强，从而对不同于训练图像的 AUV 调查图像产生显著准确率提升。
引用
@article{arxiv.2303.10960,
title = {Improved Benthic Classification using Resolution Scaling and SymmNet Unsupervised Domain Adaptation},
author = {Heather Doig and Oscar Pizarro and Stefan B. Williams},
journal= {arXiv preprint arXiv:2303.10960},
year = {2023}
}
备注
7 pages, 6 figures. Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2023, London UK