論文の概要: Enhancing Object Detection Accuracy in Underwater Sonar Images through Deep Learning-based Denoising

• arxiv url: http://arxiv.org/abs/2503.01655v1
• Date: Mon, 03 Mar 2025 15:30:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:24:08.741603
• Title: Enhancing Object Detection Accuracy in Underwater Sonar Images through Deep Learning-based Denoising
• Title（参考訳）: 深層学習による水中ソナー画像の物体検出精度向上
• Authors: Ziyu Wang, Tao Xue, Yanbin Wang, Jingyuan Li, Haibin Zhang, Zhiqiang Xu, Gaofei Xu,
• Abstract要約: ソナー画像の様々なノイズは、物体検出の精度に影響を与える可能性がある。 ディープラーニングに基づくdenoisingアルゴリズムは、光学画像上でよく機能する。 本稿では,複数のディープラーニングに基づくDenoisingアルゴリズムの有効性を体系的に評価する。
• 参考スコア（独自算出の注目度）: 20.356838838382576
• License:
• Abstract: Sonar image object detection is crucial for underwater robotics and other applications. However, various types of noise in sonar images can affect the accuracy of object detection. Denoising, as a critical preprocessing step, aims to remove noise while retaining useful information to improve detection accuracy. Although deep learning-based denoising algorithms perform well on optical images, their application to underwater sonar images remains underexplored. This paper systematically evaluates the effectiveness of several deep learning-based denoising algorithms, originally designed for optical images, in the context of underwater sonar image object detection. We apply nine trained denoising models to images from five open-source sonar datasets, each processing different types of noise. We then test the denoised images using four object detection algorithms. The results show that different denoising models have varying effects on detection performance. By combining the strengths of multiple denoising models, the detection results can be optimized, thus more effectively suppressing noise. Additionally, we adopt a multi-frame denoising technique, using different outputs generated by multiple denoising models as multiple frames of the same scene for further processing to enhance detection accuracy. This method, originally designed for optical images, leverages complementary noise-reduction effects. Experimental results show that denoised sonar images improve the performance of object detection algorithms compared to the original sonar images.
• Abstract（参考訳）: ソナー画像オブジェクト検出は水中ロボティクスやその他の用途に不可欠である。 しかし、ソナー画像の様々なノイズは、物体検出の精度に影響を与える可能性がある。 Denoisingは、重要な前処理ステップとして、有用な情報を保持しながらノイズを除去し、検出精度を向上させることを目的としている。 深層学習に基づくDenoisingアルゴリズムは光学画像でよく機能するが、水中ソナー画像への応用はいまだに未調査である。 本稿では,水中ソナー画像検出の文脈において,光学画像用に設計された深層学習に基づくDenoisingアルゴリズムの有効性を体系的に評価する。 我々は,5つのオープンソースソナーデータセットの画像に対して,9つの訓練された復調モデルを適用し,それぞれが異なる種類のノイズを処理する。 次に, 4つの物体検出アルゴリズムを用いて, 復号化画像をテストする。 その結果,異なる復調モデルが検出性能に与える影響が示唆された。 複数のデノナイジングモデルの強度を組み合わせることで、検出結果を最適化し、より効果的にノイズを抑制することができる。 さらに,複数のデノナイズモデルから生成された異なる出力を同一シーンの複数のフレームとして用いて,さらなる処理を行い,検出精度を向上させるマルチフレームデノナイズ手法を採用した。 この方法は、もともと光学画像用に設計されたもので、相補的なノイズ低減効果を利用する。 実験結果から,従来のソナー画像と比較して,物体検出アルゴリズムの性能が向上していることが判明した。

関連論文リスト

• A Self-Supervised Denoising Strategy for Underwater Acoustic Camera Imageries [3.0918473503782042]
  本稿では,深層学習技術を用いた音響カメラ画像の復調手法を提案する。 微細な特徴を保存しながらノイズを除去し、局所的な特徴マッチングの性能を向上させる。
  論文  参考訳（メタデータ） (2024-06-05T04:07:37Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Deep Variation Prior: Joint Image Denoising and Noise Variance Estimation without Clean Data [2.3061446605472558]
  本稿では,1つの共同学習フレームワークにおける画像復調と雑音分散推定の課題について検討する。 我々は、教師なしのディープラーニングフレームワークであるDVPを構築し、デノイザを同時に学習し、ノイズ分散を推定する。 提案手法では, クリーンなトレーニング画像やノイズ推定の外部ステップは必要とせず, ノイズ画像のみを用いて最小2乗誤差を近似する。
  論文  参考訳（メタデータ） (2022-09-19T17:29:32Z)
• IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
  本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。 本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。 実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
  論文  参考訳（メタデータ） (2021-11-29T07:22:53Z)
• Influence of image noise on crack detection performance of deep convolutional neural networks [0.0]
  深層畳み込みニューラルネットワークを用いた画像データからのひび割れの分類について多くの研究がなされている。 本稿では,画像ノイズがネットワークの精度に与える影響について検討する。 AlexNetは提案したインデックスに基づいて最も効率的なモデルに選ばれた。
  論文  参考訳（メタデータ） (2021-11-03T09:08:54Z)
• Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
  センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。 それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
  論文  参考訳（メタデータ） (2021-10-10T10:45:24Z)
• Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
  CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。 実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。 我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
  論文  参考訳（メタデータ） (2021-08-04T16:36:29Z)
• Deep Learning on Image Denoising: An overview [92.07378559622889]
  画像認知におけるディープテクニックの比較研究を行っている。 まず、付加的な白色雑音画像に対して、深部畳み込みニューラルネットワーク(CNN)を分類する。 次に、定量的および定性的な分析の観点から、パブリック・デノゲーション・データセットの最先端の手法を比較した。
  論文  参考訳（メタデータ） (2019-12-31T05:03:57Z)
• Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
  ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。 本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
  論文  参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。