从声纳图像中学习对象性以实现类无关目标检测
计算机视觉与模式识别
2019-07-02 v1 机器学习
机器人学
图像与视频处理
摘要
在无类别信息情况下检测新颖目标并非易事，因为难以从小训练集泛化。这对水下机器人是一个有趣的问题，因为海洋目标在声纳图像中建模 inherently 更困难，且训练数据可能无法事先获取。检测提议算法可用于此目的，但通常需要大量输出边界框。本文中我们提出使用全卷积神经网络，直接从前视声纳图像回归对象性（objectness）值。通过对对象性排序，我们仅用每图 100 个提议即可实现高召回率（96%）。相比之下，EdgeBoxes 需要 5000 个提议才能达到略优的 97% 召回率，而 Selective Search 需要 2000 个提议才能达到 95% 召回率。我们还展示该方法以显著优势超越模板匹配基线，并能泛化到全新目标。我们期望此类技术可用于实地寻找海底遗失物体。
引用
@article{arxiv.1907.00734,
title = {Learning Objectness from Sonar Images for Class-Independent Object Detection},
author = {Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:1907.00734},
year = {2019}
}
备注
European Conference on Mobile Robots 2019