Optimizing ship detection efficiency in SAR images

要約

違法漁業の検出と防止は、健全で機能的な生態系を維持するために重要です。
衛星画像における船舶検出に関する最近の研究は、検出効率を無視して、パフォーマンスの向上のみに焦点を当てています。
ただし、違法漁業を防止するためのタイムリーな介入には、船舶検出の速度と計算コストが不可欠です。
したがって、パフォーマンスの低下を最小限に抑えて検出時間とコストを削減する最適化方法を調査しました。
衛星画像のデータセットを使用して、畳み込みニューラル ネットワーク (CNN) に基づくオブジェクト検出モデルをトレーニングしました。
次に、基本 CNN またはその他の基本モデルに適用できる 2 つの効率最適化を設計しました。
最適化は、高速で安価な分類モデルと統計アルゴリズムで構成されています。
最適化をオブジェクト検出モデルと統合すると、速度とパフォーマンスのトレードオフが生じます。
実行時間とパフォーマンスに異なる重みを与えるメトリックを使用して、トレードオフを調査しました。
分類モデルを使用することで、検出モデルの平均精度が 44% の確率で 99.5%、25% の確率で 92.7% に近似できることを示します。

要約(オリジナル)

The detection and prevention of illegal fishing is critical to maintaining a healthy and functional ecosystem. Recent research on ship detection in satellite imagery has focused exclusively on performance improvements, disregarding detection efficiency. However, the speed and compute cost of vessel detection are essential for a timely intervention to prevent illegal fishing. Therefore, we investigated optimization methods that lower detection time and cost with minimal performance loss. We trained an object detection model based on a convolutional neural network (CNN) using a dataset of satellite images. Then, we designed two efficiency optimizations that can be applied to the base CNN or any other base model. The optimizations consist of a fast, cheap classification model and a statistical algorithm. The integration of the optimizations with the object detection model leads to a trade-off between speed and performance. We studied the trade-off using metrics that give different weight to execution time and performance. We show that by using a classification model the average precision of the detection model can be approximated to 99.5% in 44% of the time or to 92.7% in 25% of the time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google