[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Can Optical Denoising Clean Sonar Images? A Benchmark and Fusion Approach

Created by
  • Haebom

作者

Ziyu Wang (Xidian University), Tao Xue (Xidian University), Jingyuan Li (Xidian University), Haibin Zhang (Xidian University), Zhiqiang Xu (Jiangxi University of Science and Technology), Gaofei Xu (Institute of Deep-sea Science and Engineering) Yanbin Wang (Shenzhen MSU-BIT University), Zhiquan Liu (Jinan University)

概要

本論文は、水中ロボットの自律走行や資源探査のためのソナ映像のオブジェクト検出で、特にスペックル、エコー、ノンガウスノイズなどの複雑なノイズパターンによる精度低下問題を解決するため、9つの最先端深層脱雑音モデル(Neighbor2Neighbor、Beig前処理に適用して体系的に評価した研究です。 5つのパブリックソナーデータセットと4つの代表的なオブジェクト検出アルゴリズム（YOLOX、Faster R-CNN、SSD300、SSDMobileNetV2）を使用して、光学画像脱雑音モデルのソナーデータ適用効果、ソナーノイズに最適なモデル、脱ノイズが実際のパイプラインで検出精度を向上させるかどうかを評価しました。実験の結果、脱雑音は一般的に検出性能を向上させますが、各モデルのノイズタイプに固有の偏りが原因で効果が異なります。したがって、相互マップマルチソース脱雑音融合フレームワークを提案することで、複数の脱雑音の出力がピクセルレベルで相互を監督し、よりクリーンな画像を生成します。

Takeaways、Limitations

•
Takeaways：
◦
ソナーイメージング前処理のためのさまざまな深層脱雑音モデルの性能を体系的に比較分析し、ソナーノイズ特性に適したモデル選択のガイドラインを提供します。
◦
相互マップマルチソース脱雑音融合フレームワークは、既存の単一脱雑音モデルよりも向上したパフォーマンスを達成できることを示しています。
◦
ソナ映像ベースのオブジェクト検出性能を向上させるための実用的な戦略を提示します。
•
Limitations：
◦
評価に使用されるソーナデータセットの多様性は限られている可能性があります。
◦
提案された融合フレームワークの計算コストが高くなる可能性があります。
◦
特定の種類の牛や雑音の偏りを完全に解決できない可能性があります。
◦
さまざまな水中環境やソナーシステムの一般化性能をさらに研究する必要があります。
👍
Made with Slashpage