MassMIND: Massachusetts Maritime INfrared Dataset

要約

ディープ ラーニング テクノロジーの最近の進歩は、地上車両の自律性において根本的な進歩をもたらしました。
監視、監視、およびその他の日常業務に定期的に使用される海洋沿岸自律型水上車両 (ASV) は、この自律性から恩恵を受けることができます。
長距離の深海輸送活動は、追加の機会です。
これらの 2 つのユース ケースは、非常に異なる地形を示します。最初は沿岸海域で、多くの障害物、構造物、および人間の存在があり、後者はそのような障害物がほとんどありません。
環境条件の変化は、両方の地形に共通しています。
このような地形をマッピングする堅牢なラベル付きデータセットは、自律性を促進できる状況認識を改善する上で非常に重要です。
ただし、利用可能なそのような海事データセットは限られており、これらは主に光学画像で構成されています。
長波赤外線 (LWIR) は極端な光条件で役立つ光スペクトルを強力に補完しますが、LWIR 画像を含むラベル付きの公開データセットは現在存在しません。
この論文では、さまざまな条件下で沿岸海洋環境でキャプチャされた 2,900 を超える LWIR セグメント化画像のラベル付きデータセットを提示することにより、このギャップを埋めます。
画像はインスタンス セグメンテーションを使用してラベル付けされ、7 つのカテゴリ (空、水、障害物、生きている障害物、橋、自己、背景) に分類されます。
また、このデータセットを 3 つのディープ ラーニング アーキテクチャ (UNet、PSPNet、DeepLabv3) で評価し、その有効性の詳細な分析を提供します。
データセットは沿岸地形に焦点を当てていますが、深海のユースケースにも同様に役立ちます。
そのような地形ではトラフィックが少なくなり、雑然とした環境でトレーニングされた分類器はまばらなシーンを効果的に処理できます。
このデータセットを研究コミュニティと共有することで、海事環境における新しいシーン理解機能が促進されることを願っています。

要約(オリジナル)

Recent advances in deep learning technology have triggered radical progress in the autonomy of ground vehicles. Marine coastal Autonomous Surface Vehicles (ASVs) that are regularly used for surveillance, monitoring and other routine tasks can benefit from this autonomy. Long haul deep sea transportation activities are additional opportunities. These two use cases present very different terrains — the first being coastal waters — with many obstacles, structures and human presence while the latter is mostly devoid of such obstacles. Variations in environmental conditions are common to both terrains. Robust labeled datasets mapping such terrains are crucial in improving the situational awareness that can drive autonomy. However, there are only limited such maritime datasets available and these primarily consist of optical images. Although, Long Wave Infrared (LWIR) is a strong complement to the optical spectrum that helps in extreme light conditions, a labeled public dataset with LWIR images does not currently exist. In this paper, we fill this gap by presenting a labeled dataset of over 2,900 LWIR segmented images captured in coastal maritime environment under diverse conditions. The images are labeled using instance segmentation and classified in seven categories — sky, water, obstacle, living obstacle, bridge, self and background. We also evaluate this dataset across three deep learning architectures (UNet, PSPNet, DeepLabv3) and provide detailed analysis of its efficacy. While the dataset focuses on the coastal terrain it can equally help deep sea use cases. Such terrain would have less traffic, and the classifier trained on cluttered environment would be able to handle sparse scenes effectively. We share this dataset with the research community with the hope that it spurs new scene understanding capabilities in the maritime environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google