基于深度学习的珊瑚礁可扩展语义三维建图
计算机视觉与模式识别
2023-09-25 v1
摘要
珊瑚礁是地球上最具多样性的生态系统之一，并为数亿人所依赖。不幸的是，大多数珊瑚礁正受到全球气候变化和局部人为压力的生存威胁。为更好地理解礁体退化的潜在动态，高空间与时间分辨率的监测至关重要。然而，传统的量化珊瑚覆盖度和物种丰度的监测方法因所需大量人工劳动而在规模上受限。尽管计算机视觉工具已被用于辅助此过程，特别是用于三维建图的 SfM 摄影测量和用于图像分割的深度神经网络，但数据产品的分析形成了瓶颈，实际上限制了其可扩展性。本文提出一种从自运动视频绘制水下环境的新范式，统一了使用机器学习以适应水下挑战性条件的三维建图系统，并结合了图像语义分割的现代方法。该方法在红海亚喀巴湾北部的珊瑚礁上示例说明，以空前规模展示了高精度三维语义建图，并显著降低了所需人工成本：一段在 5 分钟潜水内用廉价消费级相机获取的 100 m 视频样带可在 5 分钟内全自动分析。我们的方法通过迈向视频样带的全自动分析，显著扩大了珊瑚礁监测规模。该方法通过降低人工、设备、后勤与计算成本，使珊瑚礁样带调查大众化。这有助于更有效地指导保护政策。这种基于学习的运动恢复结构（Structure-from-Motion）的基础计算方法对于珊瑚礁以外的水下环境快速低成本建图具有广泛意义。
引用
@article{arxiv.2309.12804,
title = {Scalable Semantic 3D Mapping of Coral Reefs with Deep Learning},
author = {Jonathan Sauder and Guilhem Banc-Prandi and Anders Meibom and Devis Tuia},
journal= {arXiv preprint arXiv:2309.12804},
year = {2023}
}