Enhancing Object Detection Accuracy in Underwater Sonar Images through Deep Learning-based Denoising
Created by
- Haebom
Category
Empty
저자
Ziyu Wang (Xidian University), Tao Xue (Xidian University), Yanbin Wang (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)
개요
본 논문은 수중 로봇공학 등 다양한 분야에서 중요한 역할을 하는 수중 음파 탐지 이미지 객체 탐지의 정확도 향상을 위해 심층 학습 기반 잡음 제거 전처리의 효과를 체계적으로 평가합니다. 기존 광학 이미지용으로 설계된 9가지 심층 학습 기반 잡음 제거 모델을 5개의 공개 수중 음파 탐지 데이터셋에 적용하여 4가지 객체 탐지 알고리즘으로 성능을 평가했습니다. 실험 결과, 다양한 잡음 제거 모델이 객체 탐지 성능에 다르게 영향을 미치며, 여러 모델의 장점을 결합하여 탐지 결과를 최적화하고 잡음을 효과적으로 제거할 수 있음을 보였습니다. 특히, 여러 잡음 제거 모델의 출력을 동일 장면의 다중 프레임으로 활용하는 다중 프레임 잡음 제거 기법을 통해 탐지 정확도를 더욱 향상시켰습니다. 실험 결과, 잡음 제거된 음파 탐지 이미지가 원본 이미지보다 객체 탐지 알고리즘의 성능을 향상시킨다는 것을 확인했습니다.
시사점, 한계점
•
시사점:
◦
수중 음파 탐지 이미지의 잡음 제거를 위한 심층 학습 기반 방법의 효과성을 실험적으로 검증.
◦
다양한 잡음 제거 모델의 장점을 결합하여 객체 탐지 성능 향상 가능성 제시.
◦
다중 프레임 잡음 제거 기법을 통해 추가적인 성능 향상 가능성 제시.
◦
수중 음파 탐지 이미지 객체 탐지 분야에 대한 심층 학습 기반 잡음 제거 기술의 적용 가능성 확대.
•
한계점:
◦
사용된 데이터셋의 종류와 범위가 제한적일 수 있음.
◦
특정 잡음 제거 모델과 객체 탐지 알고리즘에 대한 의존성 존재 가능성.
◦
다양한 유형의 수중 환경 및 잡음에 대한 일반화 성능 평가 부족.
◦
제안된 방법의 계산 비용 및 실시간 처리 가능성에 대한 고려 부족.
