Learning with Weak Annotations for Robust Maritime Obstacle Detection

要約

自律型ボートの安全な航行とタイムリーな衝突回避には、堅牢な海上障害物の検出が不可欠です。
現在の最先端技術は、大規模なデータセットでトレーニングされたディープセグメンテーションネットワークに基づいています。
ただし、このようなデータセットのピクセルごとのグラウンドトゥルースラベリングは、労働集約的で費用がかかります。
新しい足場学習レジーム（SLR）を提案します。これは、水辺、地平線、障害物の境界ボックスで構成される弱い注釈を活用して、セグメンテーションベースの障害物検出ネットワークをトレーニングし、必要なグラウンドトゥルースラベリングの労力を20分の1に削減します。
SLRは、弱い注釈から初期モデルをトレーニングしてから、セグメンテーション疑似ラベルの再推定とネットワークパラメーターの改善を交互に行います。
実験によると、弱いラベルでSLRを使用してトレーニングされた海上障害物セグメンテーションネットワークは、一致するだけでなく、高密度のグラウンドトゥルースラベルでトレーニングされた同じネットワークよりも優れています。これは注目に値する結果です。
精度の向上に加えて、SLRはドメインの一般化も向上させ、手動の注釈負荷を低く抑えてドメインの適応に使用できます。
コードと事前トレーニング済みモデルは、https：//github.com/lojzezust/SLRで入手できます。

要約(オリジナル)

Robust maritime obstacle detection is crucial for safe navigation of autonomous boats and timely collision avoidance. The current state-of-the-art is based on deep segmentation networks trained on large datasets. Per-pixel ground truth labeling of such datasets, however, is labor-intensive and expensive. We propose a new scaffolding learning regime (SLR), that leverages weak annotations consisting of water edge, horizon and obstacle bounding boxes to train segmentation-based obstacle detection networks, and thus reduces the required ground truth labelling effort by twenty-fold. SLR trains an initial model from weak annotations, then alternates between re-estimating the segmentation pseudo labels and improving the network parameters. Experiments show that maritime obstacle segmentation networks trained using SLR on weak labels not only match, but outperform the same networks trained with dense ground truth labels, which is a remarkable result. In addition to increased accuracy, SLR also increases domain generalization and can be used for domain adaptation with a low manual annotation load. The code and pre-trained models are available at https://github.com/lojzezust/SLR .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google