Weakly-Supervised Semantic Segmentation of Ships Using Thermal Imagery

要約

米国の海岸線は 95,471 マイルに及びます。
人間の手作業だけでは効果的にパトロールしたり確保したりできない距離。
赤外線カメラと深層学習ベースのアルゴリズムを搭載した無人航空機 (UAV) は、船舶などの対象物を識別してセグメント化するためのより効率的な代替手段です。
ただし、これらのアルゴリズムをトレーニングするための標準的なアプローチでは、高密度にラベル付けされた赤外線海洋画像の大規模なデータセットが必要です。
このようなデータセットは公開されておらず、大規模なデータセット内のすべてのピクセルに手動で注釈を付けるには、非常に人件費がかかります。
この作業では、赤外線画像で船をセグメント化するという文脈で、まばらにラベル付けされたデータを使用してアルゴリズムを弱く監視することで、システム パフォーマンスへの影響を最小限に抑えながら、データのラベル付けコストを大幅に削減できることを示しています。
Naval Air Warfare Center Aircraft Division (NAWCAD) から入手した 7055 枚の赤外線画像のラベルのないデータセットに、弱い教師あり学習を適用します。
画像ごとに 32 ポイントのみをまばらにラベル付けすることで、教師が弱いセグメンテーション モデルでも、最大 0.756 の Jaccard スコアで効果的に船を検出してセグメント化できることがわかりました。

要約(オリジナル)

The United States coastline spans 95,471 miles; a distance that cannot be effectively patrolled or secured by manual human effort alone. Unmanned Aerial Vehicles (UAVs) equipped with infrared cameras and deep-learning based algorithms represent a more efficient alternative for identifying and segmenting objects of interest – namely, ships. However, standard approaches to training these algorithms require large-scale datasets of densely labeled infrared maritime images. Such datasets are not publicly available and manually annotating every pixel in a large-scale dataset would have an extreme labor cost. In this work we demonstrate that, in the context of segmenting ships in infrared imagery, weakly-supervising an algorithm with sparsely labeled data can drastically reduce data labeling costs with minimal impact on system performance. We apply weakly-supervised learning to an unlabeled dataset of 7055 infrared images sourced from the Naval Air Warfare Center Aircraft Division (NAWCAD). We find that by sparsely labeling only 32 points per image, weakly-supervised segmentation models can still effectively detect and segment ships, with a Jaccard score of up to 0.756.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google