提升合成训练声纳图像描述子在水下位置识别中的泛化能力
计算机视觉与模式识别
2023-09-26 v2 机器人学
摘要
水下环境的自主导航因光吸收与水浑浊等因素而具挑战性，限制了光学传感器的有效性。声纳系统因不受这些限制影响而常用于水下作业中的感知。传统计算机视觉算法应用于声纳生成的声学图像时效果较差，而卷积神经网络(CNNs)通常需要大量标注训练数据，这些数据往往不可得或难以获取。为此，我们提出一种新颖紧凑的深度声纳描述子流水线，其可泛化至真实场景，同时仅在合成数据上训练。我们的架构基于 ResNet18 后端与适当参数化的随机高斯投影层，而输入声纳数据通过标准特设归一化/预滤波技术增强。同时还给出了定制的合成数据生成流程。所提方法已使用合成与公开可用真实数据广泛评估，证明了相比最先进方法的有效性。
引用
@article{arxiv.2308.01058,
title = {Improving Generalization of Synthetically Trained Sonar Image Descriptors for Underwater Place Recognition},
author = {Ivano Donadi and Emilio Olivastri and Daniel Fusaro and Wanmeng Li and Daniele Evangelista and Alberto Pretto},
journal= {arXiv preprint arXiv:2308.01058},
year = {2023}
}
备注
This paper has been accepted for publication at the 14th International Conference on Computer Vision Systems (ICVS 2023)