Improved Benthic Classification using Resolution Scaling and SymmNet Unsupervised Domain Adaptation

要約

自律型水中車両 (AUV) は、海洋環境の定期的な目視調査を実施して、底生生物の構成と多様性を特徴付け、監視します。
このタスクでの機械学習分類器の使用は、利用可能なアノテーションの数が少なく、関連する多くのきめの細かいクラスによって制限されます。
これらの課題に加えて、カメラ システム、イメージング高度、照明、および水柱特性の変化により、異なる AUV 調査中に取得された画像セット間にドメイン シフトがあり、一部またはすべてが別の調査からの画像の分類パフォーマンスの低下につながります。
これらの要素は変更されている可能性があります。
この論文では、訓練データと比較して異なる調査からの画像を分類するために使用される場合に、底生形態種分類器のパフォーマンスを改善するためのフレームワークを提案します。
SymmNet の最先端の Unsupervised Domain Adaptation メソッドを効率的なバイリニア プーリング レイヤーと画像スケーリングで適応させて、空間解像度を正規化し、分類精度の向上を示します。
異なるイメージングペイロードと場所を持つAUV調査からの画像を使用して、2つのデータセットでアプローチをテストします。
結果は、一般的なドメイン適応を強化して、トレーニング画像とは異なる AUV 調査からの画像の精度を大幅に向上できることを示しています。

要約(オリジナル)

Autonomous Underwater Vehicles (AUVs) conduct regular visual surveys of marine environments to characterise and monitor the composition and diversity of the benthos. The use of machine learning classifiers for this task is limited by the low numbers of annotations available and the many fine-grained classes involved. In addition to these challenges, there are domain shifts between image sets acquired during different AUV surveys due to changes in camera systems, imaging altitude, illumination and water column properties leading to a drop in classification performance for images from a different survey where some or all these elements may have changed. This paper proposes a framework to improve the performance of a benthic morphospecies classifier when used to classify images from a different survey compared to the training data. We adapt the SymmNet state-of-the-art Unsupervised Domain Adaptation method with an efficient bilinear pooling layer and image scaling to normalise spatial resolution, and show improved classification accuracy. We test our approach on two datasets with images from AUV surveys with different imaging payloads and locations. The results show that generic domain adaptation can be enhanced to produce a significant increase in accuracy for images from an AUV survey that differs from the training images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google