面向声呐图像分类的自监督学习
计算机视觉与模式识别
2022-04-21 v1 机器学习
摘要
自监督学习已被证明是一种无需大型标注数据集即可学习图像表示的强大方法。对于水下机器人而言，设计计算机视觉算法以提升诸如声呐图像分类等感知能力具有极大价值。由于声呐成像的保密性质以及声呐图像难以解读，创建公开的大型标注声呐数据集以训练监督学习算法颇具挑战。在本工作中，我们研究了三种自监督学习方法（RotNet、去噪自编码器与 Jigsaw）在无需人工标注的情况下学习高质量声呐图像表示的潜力。我们给出了在真实声呐图像数据集上的预训练与迁移学习结果。我们的结果表明，在少样本迁移学习设定下，三种方法的自监督预训练所取得的分类性能可与监督预训练相媲美。代码与自监督预训练模型可在 https://github.com/agrija9/ssl-sonar-images 获取。
引用
@article{arxiv.2204.09323,
title = {Self-supervised Learning for Sonar Image Classification},
author = {Alan Preciado-Grijalva and Bilal Wehbe and Miguel Bande Firvida and Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:2204.09323},
year = {2022}
}
备注
8 pages, 10 figures, with supplementary. LatinX in CV Workshop @ CVPR 2022 Camera Ready