面向声纳图像的预训练模型

Matias Valdenegro-Toro; Alan Preciado-Grijalva; Bilal Wehbe

面向声纳图像的预训练模型

计算机视觉与模式识别 2021-08-04 v1 机器学习机器人学

作者: Matias Valdenegro-Toro , Alan Preciado-Grijalva , Bilal Wehbe

摘要

机器学习和神经网络如今在声纳感知中无处不在，但由于缺乏专门针对声纳图像的数据和预训练模型，其发展落后于计算机视觉领域。本文我们提出了 Marine Debris Turntable 数据集，并生成了在该数据集上训练的预训练神经网络，旨在填补声纳图像预训练模型的缺失。我们在 Marine Debris Turntable 数据集上，针对从 32 x 32 到 96 x 96 的多种输入图像尺寸，训练了 ResNet 20、MobileNets、DenseNet121、SqueezeNet、MiniXception 以及一个自编码器（Autoencoder）。我们通过迁移学习在 Marine Debris Watertank 数据集和另一个使用 Gemini 720i 声纳捕获的数据集上进行低样本分类评估。结果表明，在两个数据集中，预训练模型均产生了良好的特征，使得在低样本量（每类 10-30 个样本）下也能获得良好的分类精度。Gemini 数据集验证了这些特征可以迁移到其他类型的声纳传感器。我们期望社区能从我们公开发布的预训练模型和 Turntable 数据集中受益。

关键词

sonar images pre-trained models transfer learning low-shot classification deep learning marine debris neural networks

引用

@article{arxiv.2108.01111,
  title  = {Pre-trained Models for Sonar Images},
  author = {Matias Valdenegro-Toro and Alan Preciado-Grijalva and Bilal Wehbe},
  journal= {arXiv preprint arXiv:2108.01111},
  year   = {2021}
}

备注

Global Oceans 2021, Camera ready, 8 pages, 9 figures

面向声纳图像的预训练模型

摘要

关键词

引用

备注

相关论文