基于视觉的水下机器人目标分类中的源特征压缩
计算机视觉与模式识别
2021-12-30 v1 机器人学
摘要
针对基于卷积神经网络（CNN）的水下机器人目标分类，提出了基于两阶段Walsh-Hadamard变换（WHT）的高效源特征压缩新方案。物体图像首先经两阶段WHT变换。变换域张量在RGB通道矩阵左上角集中有大数值。观察到此性质后，将变换域矩阵划分为内部区域与外部区域。据此，本文提出两种新划分方法：（i）固定内、外区域尺寸；（ii）按图像自适应调整内、外区域尺寸。使用从美国新泽西州Raritan河采集的水下物体数据集对方案进行评估。结果证明并验证，与对比方法相比，所提方案有效减少了基于学习的水下目标分类任务的训练时间并提高了精度。目标分类是可感知环境并自主导航的基于视觉的水下机器人的重要组成部分。因此，所提方法非常适用于水下机器人应用中高效的基于计算机视觉的任务。
引用
@article{arxiv.2112.13953,
title = {Source Feature Compression for Object Classification in Vision-Based Underwater Robotics},
author = {Xueyuan Zhao and Mehdi Rahmati and Dario Pompili},
journal= {arXiv preprint arXiv:2112.13953},
year = {2021}
}