elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

A study on modern deep learning detection algorithms for automatic target recognition in sidescan sonar images

Steiniger, Yannik und Groen, Johannes und Stoppe, Jannis und Kraus, Dieter und Meisen, Tobias (2021) A study on modern deep learning detection algorithms for automatic target recognition in sidescan sonar images. In: 6th Underwater Acoustics Conference and Exhibition, UACE 2021, 44 (1). Acoustical Society of America. 6th Underwater Acoustics Conference & Exhibition, 2021-06-20 - 2021-06-25, online. doi: 10.1121/2.0001470. ISSN 1939-800X.

[img] PDF
4MB

Offizielle URL: https://asa.scitation.org/doi/10.1121/2.0001470

Kurzfassung

State-of-the art deep learning models have shown remarkable performance on computer vision tasks like object classification or detection. These networks are typically trained on large-scale datasets of natural RGB images. However, sidescan sonar images are gray-scaled images representing acoustic intensities. The fundamental differences between camera and sonar as well as the images itself makes it necessary to investigate the transfer of results achieved on RGB images to the sonar imagery domain. Therefore, we compare the deep learning detection algorithm YOLOv2 with its updated version YOLOv3, both adopted for object detection in sidescan sonar images. In addition to this, a small convolutional neural network (CNN) is trained from scratch and used for detection. The experiments answer two questions: First, whether, as for general computer vision problems, transfer learning of large deep learning models is preferable over training of custom networks when dealing with limited sonar data. Secondly, whether improvements in the YOLO architecture, developed based on RGB images, lead to significant improvements on sonar data as well. Our results show that YOLOv3 indeed performs better than YOLOv2. Furthermore, YOLOv3 achieves a true positive rate of up to 98.2% and outperforms the small CNN.

elib-URL des Eintrags:https://elib.dlr.de/144633/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:A study on modern deep learning detection algorithms for automatic target recognition in sidescan sonar images
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Steiniger, YannikYannik.Steiniger (at) dlr.dehttps://orcid.org/0000-0002-9327-446XNICHT SPEZIFIZIERT
Groen, JohannesJohannes.Groen (at) atlas-elektronik.comNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Stoppe, Jannisjannis.stoppe (at) dlr.dehttps://orcid.org/0000-0003-2952-3422NICHT SPEZIFIZIERT
Kraus, DieterCity Univertity of Applied Sciences BremenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Meisen, TobiasUniversity of Wuppertalhttps://orcid.org/0000-0002-1969-559XNICHT SPEZIFIZIERT
Datum:15 Oktober 2021
Erschienen in:6th Underwater Acoustics Conference and Exhibition, UACE 2021
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
Band:44
DOI:10.1121/2.0001470
Verlag:Acoustical Society of America
ISSN:1939-800X
Status:veröffentlicht
Stichwörter:Sidescan sonar, sonar imagery, object detection, automatic target recognition, deep learning
Veranstaltungstitel:6th Underwater Acoustics Conference & Exhibition
Veranstaltungsort:online
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:20 Juni 2021
Veranstaltungsende:25 Juni 2021
HGF - Forschungsbereich:keine Zuordnung
HGF - Programm:keine Zuordnung
HGF - Programmthema:keine Zuordnung
DLR - Schwerpunkt:keine Zuordnung
DLR - Forschungsgebiet:keine Zuordnung
DLR - Teilgebiet (Projekt, Vorhaben):keine Zuordnung
Standort: Bremerhaven
Institute & Einrichtungen:Institut für den Schutz maritimer Infrastrukturen > Maritime Sicherheitstechnologien
Hinterlegt von: Steiniger, Yannik
Hinterlegt am:25 Okt 2021 12:02
Letzte Änderung:24 Apr 2024 20:43

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.