基于扩散模型的水下类似矿物检测的 Syn2Real 域泛化
机器学习
2025-03-17 v1 计算机视觉与模式识别
图像与视频处理
摘要
使用深度学习进行水下矿检测受限于真实数据稀缺的限制。这一稀缺导致模型在训练数据上表现良好，但在不可见数据上表现不佳。本文提出了一种 Syn2Real（Synthetic to Real）域泛化方法，通过扩散模型来解决这一挑战。我们演示了即使 DDPM 和 DDIM 模型生成的合成数据并非完美真实，但通过添加噪声生成的合成数据可以有效增强真实世界样本用于训练。最终抽样图像中的残余噪声提高了模型对具有内在噪声和高变异性的真实世界数据的泛化能力。当基线 Mask-RCNN 模型在合成数据和原始训练数据组合上训练时，平均精度（AP）约提高了 60%，而仅在原始训练数据上训练时。这一显著的改进凸显了 Syn2Real 域泛化在水下矿检测任务中的潜力。
引用
@article{arxiv.2410.12953,
title = {Syn2Real Domain Generalization for Underwater Mine-like Object Detection Using Side-Scan Sonar},
author = {Aayush Agrawal and Aniruddh Sikdar and Rajini Makam and Suresh Sundaram and Suresh Kumar Besai and Mahesh Gopi},
journal= {arXiv preprint arXiv:2410.12953},
year = {2025}
}
备注
7 pages, 4 figures and 3 tables