Machine Learning for Shipwreck Segmentation from Side Scan Sonar Imagery: Dataset and Benchmark

要約

オープンソースのベンチマーク データセットは、地上アプリケーションにおけるロボットの認識のための機械学習を進歩させるための重要なコンポーネントです。
ベンチマーク データセットにより、最先端の機械学習手法の広範な開発が可能になります。これには、トレーニング、検証、競合するアプローチとの徹底的な比較のために大規模なデータセットが必要です。
水中環境は、海洋ロボットの認識のための大規模なベンチマーク データセットを収集する取り組みを妨げるいくつかの運用上の課題を課します。
さらに、探索空間のサイズに比べて対象となるターゲットの存在量が少ないと、特定のタスクに役立つデータセットを収集するために必要な時間とコストが増加します。
その結果、水中アプリケーション向けに利用できるラベル付きベンチマーク データセットは限られています。
我々は、AI4Shipwrecks データセットを紹介します。これは、自律ソナー画像の最先端の理解を促進するために、合計 286 枚の高解像度ラベル付きサイド スキャン ソナー画像を含む 28 の異なる難破船で構成されています。
私たちは、ミシガン州ヒューロン湖にあるサンダーベイ国立海洋保護区のユニークな豊富なターゲットを活用して、自律型潜水機 (AUV) による調査を通じてソナー画像のベンチマーク データセットを収集し、編集しています。
私たちは、ロボットによって収集されたデータのラベル付けについて、専門の海洋考古学者に相談しました。
次に、このデータセットを活用して、最先端の教師ありセグメンテーション手法を比較するためのベンチマーク実験を実行し、この分野の機会と未解決の課題についての洞察を示します。
データセットとベンチマーク ツールは、五大湖と海洋探査の機械学習におけるイノベーションを促進するために、オープンソースのベンチマーク データセットとしてリリースされます。
データセットと付属のソフトウェアは、https://umfieldrobotics.github.io/ai4shipwrecks/ で入手できます。

要約(オリジナル)

Open-source benchmark datasets have been a critical component for advancing machine learning for robot perception in terrestrial applications. Benchmark datasets enable the widespread development of state-of-the-art machine learning methods, which require large datasets for training, validation, and thorough comparison to competing approaches. Underwater environments impose several operational challenges that hinder efforts to collect large benchmark datasets for marine robot perception. Furthermore, a low abundance of targets of interest relative to the size of the search space leads to increased time and cost required to collect useful datasets for a specific task. As a result, there is limited availability of labeled benchmark datasets for underwater applications. We present the AI4Shipwrecks dataset, which consists of 28 distinct shipwrecks totaling 286 high-resolution labeled side scan sonar images to advance the state-of-the-art in autonomous sonar image understanding. We leverage the unique abundance of targets in Thunder Bay National Marine Sanctuary in Lake Huron, MI, to collect and compile a sonar imagery benchmark dataset through surveys with an autonomous underwater vehicle (AUV). We consulted with expert marine archaeologists for the labeling of robotically gathered data. We then leverage this dataset to perform benchmark experiments for comparison of state-of-the-art supervised segmentation methods, and we present insights on opportunities and open challenges for the field. The dataset and benchmarking tools will be released as an open-source benchmark dataset to spur innovation in machine learning for Great Lakes and ocean exploration. The dataset and accompanying software are available at https://umfieldrobotics.github.io/ai4shipwrecks/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google