論文の概要: An Efficient Detection and Control System for Underwater Docking using
Machine Learning and Realistic Simulation: A Comprehensive Approach
- arxiv url: http://arxiv.org/abs/2311.01522v2
- Date: Mon, 6 Nov 2023 19:34:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 22:10:07.811706
- Title: An Efficient Detection and Control System for Underwater Docking using
Machine Learning and Realistic Simulation: A Comprehensive Approach
- Title(参考訳): 機械学習と現実的なシミュレーションを用いた水中ドッキングの効率的な検出制御システム:包括的アプローチ
- Authors: Jalil Chavez-Galaviz, Jianwen Li, Matthew Bergman, Miras Mengdibayev,
Nina Mahmoudian
- Abstract要約: この研究は、水中ドッキングの検出と分類を行うために異なるディープラーニングアーキテクチャと比較する。
GAN(Generative Adversarial Network)は画像から画像への変換に用いられ、ガゼボのシミュレーション画像を水中画像に変換する。
その結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
- 参考スコア(独自算出の注目度): 5.039813366558306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underwater docking is critical to enable the persistent operation of
Autonomous Underwater Vehicles (AUVs). For this, the AUV must be capable of
detecting and localizing the docking station, which is complex due to the
highly dynamic undersea environment. Image-based solutions offer a high
acquisition rate and versatile alternative to adapt to this environment;
however, the underwater environment presents challenges such as low visibility,
high turbidity, and distortion. In addition to this, field experiments to
validate underwater docking capabilities can be costly and dangerous due to the
specialized equipment and safety considerations required to conduct the
experiments. This work compares different deep-learning architectures to
perform underwater docking detection and classification. The architecture with
the best performance is then compressed using knowledge distillation under the
teacher-student paradigm to reduce the network's memory footprint, allowing
real-time implementation. To reduce the simulation-to-reality gap, a Generative
Adversarial Network (GAN) is used to do image-to-image translation, converting
the Gazebo simulation image into a realistic underwater-looking image. The
obtained image is then processed using an underwater image formation model to
simulate image attenuation over distance under different water types. The
proposed method is finally evaluated according to the AUV docking success rate
and compared with classical vision methods. The simulation results show an
improvement of 20% in the high turbidity scenarios regardless of the underwater
currents. Furthermore, we show the performance of the proposed approach by
showing experimental results on the off-the-shelf AUV Iver3.
- Abstract(参考訳): 水中ドッキングは、自律水中車両(AUV)の持続的な運用を可能にするために重要である。
そのため、AUVは、非常にダイナミックな海底環境のために複雑であるドッキングステーションを検出し、位置を特定できなければならない。
イメージベースのソリューションは、この環境に適応するための高い獲得率と多用途な代替手段を提供するが、水中環境は、視認性、高い濁度、歪みといった課題を呈する。
これに加えて、水中ドッキング能力を検証するフィールド実験は、実験を行うのに必要な特別な機器と安全上の考慮のために、コストと危険が伴う。
この研究は、異なるディープラーニングアーキテクチャを比較し、水中ドッキング検出と分類を行う。
最高の性能を持つアーキテクチャは、教師-学生パラダイムの下で知識蒸留を用いて圧縮され、ネットワークのメモリフットプリントを削減し、リアルタイムの実装を可能にする。
シミュレーションと現実のギャップを低減するため、GAN(Generative Adversarial Network)を用いて画像間変換を行い、ガゼボシミュレーション画像をリアルな水中画像に変換する。
得られた画像は水中画像形成モデルを用いて処理され、異なる水面下での画像減衰をシミュレートする。
提案手法はAUVドッキング成功率に応じて評価され,古典的視覚法と比較された。
シミュレーションの結果,水中の潮流によらず,高濁度シナリオでは20%の改善が見られた。
さらに,市販のAUV Iver3に実験結果を示すことにより,提案手法の性能を示す。
関連論文リスト
- DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - A deep learning approach for marine snow synthesis and removal [55.86191108738564]
本稿では,深層学習技術を用いた海洋雪の干渉低減手法を提案する。
まず,GAN(Generative Adversarial Network)モデルを用いて,現実的な積雪サンプルを合成する。
次に、画像から画像への変換タスクとして海洋性除雪を行うためにU-Netモデルを訓練する。
論文 参考訳(メタデータ) (2023-11-27T07:19:41Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Physics-Aware Semi-Supervised Underwater Image Enhancement [12.449917754699692]
物理に基づく水中画像形成モデル(IFM)と深層学習技術(UIE)のどちらも活用する。
本稿では,伝送推定水蒸気 (T-Stream) とアンビエント光推定水蒸気 (A-Stream) を組み合わせた新しい物理対応デュアルストリーム水中画像強調ネットワーク,すなわちPA-UIENetを提案する。
本手法は, 劣化推定およびUIEタスクにおいて, 5つのテストセットにまたがる8つのベースラインよりも, あるいは少なくとも同等に, 性能が向上する。
論文 参考訳(メタデータ) (2023-07-21T10:10:18Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-06-15T07:41:12Z) - Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。
提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文 参考訳(メタデータ) (2022-12-23T03:00:28Z) - Adaptive Uncertainty Distribution in Deep Learning for Unsupervised
Underwater Image Enhancement [1.9249287163937976]
ディープラーニングベースの水中画像強化における大きな課題の1つは、高品質なトレーニングデータの可用性の制限である。
本研究では、条件付き変分オートエンコーダ(cVAE)を用いて、深層学習モデルのトレーニングを行う、新しい教師なし水中画像強調フレームワークを提案する。
提案手法は, 定量化と定性化の両面において, 他の最先端手法と比較して, 競争性能が向上することを示す。
論文 参考訳(メタデータ) (2022-12-18T01:07:20Z) - HybrUR: A Hybrid Physical-Neural Solution for Unsupervised Underwater
Image Restoration [18.690940762032568]
そこで本稿では,無人水中画像から水中視力回復を学習する,データ駆動型・物理駆動型非教師アーキテクチャを提案する。
Jaffe-McGlamery分解理論を用いて生成モデルを設計し、ニューラルネットワークを用いて水中劣化の過程を記述する。
提案手法は,非拘束水中画像の高品質な復元を,監督なしに行うことができることを示す。
論文 参考訳(メタデータ) (2021-07-06T15:00:30Z) - Underwater Image Restoration via Contrastive Learning and a Real-world
Dataset [59.35766392100753]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。
提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
論文 参考訳(メタデータ) (2021-06-20T16:06:26Z) - Domain Adaptive Adversarial Learning Based on Physics Model Feedback for
Underwater Image Enhancement [10.143025577499039]
物理モデルに基づくフィードバック制御と,水中画像の高機能化のための領域適応機構を用いた,新しい頑健な対角学習フレームワークを提案する。
水中画像形成モデルを用いてRGB-Dデータから水中訓練データセットをシミュレーションする新しい手法を提案する。
合成および実水中画像の最終的な改良結果は,提案手法の優位性を示している。
論文 参考訳(メタデータ) (2020-02-20T07:50:00Z) - Simultaneous Enhancement and Super-Resolution of Underwater Imagery for
Improved Visual Perception [17.403133838762447]
水中ロボットの視力向上と超高分解能化(SESR)を同時に行う。
本稿では,2倍,3倍,あるいは4倍の空間分解能で知覚的画質の復元を学習できる残差ネットワークベース生成モデルであるDeep SESRを提案する。
論文 参考訳(メタデータ) (2020-02-04T07:07:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。