Verbesserung der Klassifikationsperformance von Deep Learning Modellen durch Reduktion der Komplexität von Seitensichtsonarbildern

Kurzfassung

Mit einer zunehmend autonomen Untersuchung des Meeresbodens, z. B. durch autonome Unterwasserfahrzeuge, die mit bildgebenden Sonarsystemen ausgestattet sind, steigt auch die Anforderung an eine automatische Auswertung der gewonnenen Daten. Deep Learning Methoden haben sich in den letzten Jahren auch im Sonar Bereich für die Detektion und Klassifikation von Objekten als effizientes Werkzeug herausgestellt. Die dahinterstehenden Modelle müssen jedoch mit einer großen Menge an Daten trainiert werden. Die Aufnahme großer und variabler Sonarbilddatensätze ist jedoch mit einem erheblichen Aufwand verbunden. Somit ist es essenziell das Training von Deep Learning Modellen auch mit kleinen Datensätzen erfolgreich zu gestalten. In dieser Arbeit wird die Reduktion der Komplexität der Eingangsbilder sowie die explizierte Verwendung von manuell extrahierten Merkmalen der Bilder als geeignete Methode vorgestellt. Genauer gesagt, wird die Größeninformation verschiedener Objekte durch Skalierung der Sonarbilder entfernt. Zusätzlich wird diese Information einem Convolutional Neural Network (CNN) als separater Eingang zur Verfügung gestellt. Die so trainierten CNNs zeigen eine Verbesserung der Klassifikationsperformance um 13 Prozentpunkte gegenüber einem gewöhnlichen Training.