改进自动化声纳视频分析以预警水母暴发
计算机视觉与模式识别
2021-03-09 v1
摘要
人类活动常遭受水母暴发带来的直接负面影响。对先前水母监测系统的调研表明，该系统在交叉验证设置（即新的水下环境）中无法可靠运行。本文针对系统中负责目标分类的部分提出若干改进。首先，通过添加合成数据增强训练集，使深度学习分类器能够更好地泛化。然后，采用新的第二阶段模型来增强框架，该模型分析第一个网络的输出以做出最终预测。最后，加入加权损失与置信度阈值以平衡真阳性与假阳性。在所有升级就位后，系统能够正确分类所有观测到的水母中的 30.16%（初始为 11.52%），将假阳性数量保持在低至 0.91%（初始为 2.26%），并在自主嵌入式平台的计算约束下实时运行。
引用
@article{arxiv.2103.04068,
title = {Improving Automated Sonar Video Analysis to Notify About Jellyfish Blooms},
author = {Artjoms Gorpincenko and Geoffrey French and Peter Knight and Mike Challiss and Michal Mackiewicz},
journal= {arXiv preprint arXiv:2103.04068},
year = {2021}
}