CycleGAN-based Underwater Object Detection

Abstract

With the rapid development of ocean observation, underwater object detection plays an increasingly important role in the naval coastal defense mission and the marine economy, such as fisheries and aquaculture. This paper mainly locates and classifies the images of holothurians, echini, scallops, and starfishes. Underwater images are a significant carrier of maritime information, it is crucial to detect the location and categories of different marine lives from the real seabed scenes. Underwater object detection is a difficult task because underwater images have color difference and weakness problem. To solve this issue, we present a hybrid approach for the integration of data augmentation and object detection algorithm in order to correctly detect underwater object. In this paper, we employ a learning-based data augmentation for underwater object detection to maximize object detection precision. We apply data augmentation for both positive and negative samples. Besides, we synergistically optimize three parameters indicating the size of fields, the anchor boxes and the training input images suitable for our dataset. The three parameters are coordinated with each other, it will help to improve the precision of underwater object detection. The experimental results show that the mean Average Precision (mAP) is significantly improved after using the learning-based augmentation algorithm. We implement YOLOv5m algorithm to detect underwater objects. By using the learning-based augmentation algorithm, we improve the mAP of YOLOv5m algorithm about 6.0%. Moreover, the detection speed of YOLOv5m algorithm is 110Fps. The detection capability of YOLOv5m algorithm basically meets the real-time object detection requirements in this experiment. Keywords: deep learning; learning-based data augmentation algorithm; underwater object detection system |해양 관측의 급속한 발전으로 수중 물체 탐지는 해군 해안 방어 임무와 어업 및 양식업과 같은 해양 경제에서 점점 더 중요한 역할을 한다. 이 논문은 주로 해삼, 해담, 가리비 및 불가사리의 이미지를 찾아 분류한다. 수중 이미지는 해양 정보의 중요한 매개체이고 실제 해저 장면에서 다양한 해양 생물의 위치와 범주를 감지하는 것이 중요하다. 수중 이미지에는 색차와 약점 문제가 있기 때문에 수중 물체 감지는 어려운 작업이다. 이 문제를 해결하기 위해 우리는 수중 물체를 정확하게 감지하기 위해 데이터 증강 및 물체 감지 알고리즘을 통합하는 하이브리드 접근 방식을 제시한다. 이 논문에서는 물체 감지 정밀도를 극대화하기 위해 수중 물체 감지를 위한 학습 기반 데이터 증강을 사용합니다. 양성 및 음성 샘플 모두에 데이터 증가를 적용한다. 또한 필드의 크기, 앵커 상자 및 데이터 세트에 적합한 훈련 입력 이미지를 나타내는 세 가지 매개 변수를 시너지 효과로 최적화한다. 세 가지 매개 변수가 서로 조정되어 수중 물체 감지의 정확도를 향상시키는 데 도움이 된다. 실험 결과 평균 정밀도 (mAP)가 학습 기반 증강 알고리즘을 사용한 후 크게 향상되었음을 보여준다. 우리는 수중 물체를 감지하기 위해 YOLOv5m 알고리즘을 구현한다. 학습 기반 증강 알고리즘을 사용하여 YOLOv5m 알고리즘의 mAP를 약 6.0 % 향상 시켰다. 또한 YOLOv5m 알고리즘의 감지 속도는 110Fps이다. YOLOv5m 알고리즘의 감지 기능은 기본적으로 이 실험에서 실시간 물체 감지 요구 사항을 충족한다.