基于侧扫声纳图像的沉船分割机器学习：数据集与基准
机器人学
2024-08-29 v2
摘要
开源基准数据集一直是推动陆地应用中机器人感知机器学习发展的关键组成部分。基准数据集使得最先进的机器学习方法得以广泛发展，这些方法需要大型数据集进行训练、验证，并与竞争方法进行全面比较。水下环境施加了若干操作挑战，阻碍了为海洋机器人感知收集大型基准数据集的努力。此外，相对于搜索空间的大小，感兴趣目标的低丰度导致收集特定任务有用数据集所需的时间和成本增加。因此，水下应用的标注基准数据集可用性有限。我们提出了AI4Shipwrecks数据集，该数据集包含28个不同的沉船，总计286张高分辨率标注的侧扫声呐图像，以推进自主声呐图像理解的最新技术。我们利用密歇根州休伦湖桑德贝国家海洋保护区内独特的目标丰度，通过自主水下航行器(AUV)进行调查，收集并编制了一个声呐图像基准数据集。我们咨询了海洋考古专家对机器人收集的数据进行标注。然后，我们利用该数据集进行基准实验，以比较最先进的监督分割方法，并就该领域的机遇和开放挑战提出了见解。该数据集和基准测试工具将作为开源基准数据集发布，以激发用于五大湖和海洋探索的机器学习创新。数据集和配套软件可在 https://umfieldrobotics.github.io/ai4shipwrecks/ 获取。
引用
@article{arxiv.2401.14546,
title = {Machine Learning for Shipwreck Segmentation from Side Scan Sonar Imagery: Dataset and Benchmark},
author = {Advaith V. Sethuraman and Anja Sheppard and Onur Bagoren and Christopher Pinnow and Jamey Anderson and Timothy C. Havens and Katherine A. Skinner},
journal= {arXiv preprint arXiv:2401.14546},
year = {2024}
}
备注
Project website link: https://umfieldrobotics.github.io/ai4shipwrecks/