面向水下图像多物种分割的点标签感知超像素
计算机视觉与模式识别
2022-07-12 v2 机器学习
机器人学
摘要
利用水下航行器监测珊瑚礁可通过采集大量图像拓展海洋调查范围并增加历史生态数据的可用性。此类图像的分析可利用训练用于语义分割的模型实现自动化，然而为训练监督模型而密集标注图像过于昂贵且耗时。在本快报中，我们利用生态学家以稀疏点标签标注的照片样方图像。我们提出一种点标签感知方法，在超像素区域内传播标签，以获得用于训练语义分割模型的增强真值。我们的点标签感知超像素方法利用稀疏点标签，并使用学习到的特征聚类像素，从而在杂乱复杂的珊瑚图像中准确生成单物种分割。我们的方法在 UCSD Mosaics 数据集上的标签传播任务中，以像素精度提升 3.62%、平均 IoU 提升 8.35% 优于先前方法，同时将已有方法所报告的计算时间减少 76%。我们训练了 DeepLabv3+ 架构，在 UCSD Mosaics 数据集上以像素精度提升 2.91%、平均 IoU 提升 9.65%，在 Eilat 数据集上以像素精度提升 4.19%、平均 IoU 提升 14.32% 优于语义分割的最优方法。
引用
@article{arxiv.2202.13487,
title = {Point Label Aware Superpixels for Multi-species Segmentation of Underwater Imagery},
author = {Scarlett Raine and Ross Marchant and Brano Kusy and Frederic Maire and Tobias Fischer},
journal= {arXiv preprint arXiv:2202.13487},
year = {2022}
}