基于半监督卷积编解码器的圆扫合成孔径声纳图像目标检测与分割
计算机视觉与模式识别
2022-02-21 v4 人工智能
摘要
我们提出了一种用于圆扫合成孔径声纳（CSAS）图像的基于显著性多目标检测与分割的框架。我们的框架依赖于一个多分支卷积编解码网络（MB-CEDN）。MB-CEDN的编码器部分从CSAS图像中提取视觉对比特征。这些特征被送入双解码器，执行像素级分割以掩蔽目标。每个解码器就何为显著目标提供不同的视角。这些意见被聚合并级联到一个深度解析网络中以细化分割。我们使用由五大类目标组成的真实世界CSAS图像评估我们的框架。我们与计算机视觉文献中的现有方法进行比较。我们表明我们的框架优于为自然图像设计的监督深度显著性网络，并大幅优于为自然图像开发的无监督显著性方法。这说明基于自然图像的模型可能需要加以改动才能对这种成像声纳模态有效。
引用
@article{arxiv.2101.03603,
title = {Target Detection and Segmentation in Circular-Scan Synthetic-Aperture-Sonar Images using Semi-Supervised Convolutional Encoder-Decoders},
author = {Isaac J. Sledge and Matthew S. Emigh and Jonathan L. King and Denton L. Woods and J. Tory Cobb and Jose C. Principe},
journal= {arXiv preprint arXiv:2101.03603},
year = {2022}
}
备注
Submitted to IEEE Journal of Oceanic Engineering