[論文レビュー] Sparse Coral Classification Using Deep Convolutional Neural Networks

Mohamed Elawady|arXiv (Cornell University)|Nov 29, 2015

Coral and Marine Ecosystems StudiesEnvironmental Science参考文献 4被引用数 22

ひとこと要約

この論文は、畳み込みニューラルネットワーク（CNN）を用いたスパースなディープラーニングフレームワークを提案し、水中画像における自動コロニー種分類を実現する。テクスチャおよび形状特徴（WLD、PC、ZCA）を色チャネルと統合し、前処理による画像強調を実施することで、2つの新規データセット（Moorea Labeled Coralsおよび新しい大西洋深海コロニー画像データセット）において分類精度が向上した。これは、水中コロニー画像分類にCNNを初めて適用した研究である。

ABSTRACT

Autonomous repair of deep-sea coral reefs is a recent proposed idea to support the oceans ecosystem in which is vital for commercial fishing, tourism and other species. This idea can be operated through using many small autonomous underwater vehicles (AUVs) and swarm intelligence techniques to locate and replace chunks of coral which have been broken off, thus enabling re-growth and maintaining the habitat. The aim of this project is developing machine vision algorithms to enable an underwater robot to locate a coral reef and a chunk of coral on the seabed and prompt the robot to pick it up. Although there is no literature on this particular problem, related work on fish counting may give some insight into the problem. The technical challenges are principally due to the potential lack of clarity of the water and platform stabilization as well as spurious artifacts (rocks, fish, and crabs). We present an efficient sparse classification for coral species using supervised deep learning method called Convolutional Neural Networks (CNNs). We compute Weber Local Descriptor (WLD), Phase Congruency (PC), and Zero Component Analysis (ZCA) Whitening to extract shape and texture feature descriptors, which are employed to be supplementary channels (feature-based maps) besides basic spatial color channels (spatial-based maps) of coral input image, we also experiment state-of-art preprocessing underwater algorithms for image enhancement and color normalization and color conversion adjustment. Our proposed coral classification method is developed under MATLAB platform, and evaluated by two different coral datasets (University of California San Diego's Moorea Labeled Corals, and Heriot-Watt University's Atlantic Deep Sea).

研究の動機と目的

• 自律的水中システムを用いたサンゴ礁修復のためのAUVおよびマシンビジョン技術の開発。
• 岩や海洋生物などのアーティファクトが混在する低視界・ノイズの多い水中画像におけるサンゴ種の分類課題の解決。
• 深海および浅海環境におけるスパースなサンゴ分類に適した、堅牢な教師ありディープラーニングフレームワークの構築。
• 水中サンゴ研究を支援するため、大西洋深海の冷水性サンゴの新しいラベル付きデータセットの提供。
• マルチチャネル特徴統合および高度な画像前処理技術を用いて、分類性能の向上。

提案手法

• ラベル付きサンゴポイントの周囲の可変サイズ領域を処理できるハイブリッドパッチングを採用したCNNアーキテクチャの採用。
• 空間的色チャネルに加えて補助的特徴マップ（WLD、PC、ZCAホワイトニング）を統合し、入力表現の豊かさを向上。
• 最新の水中画像強調技術（色の正規化、ヒストグラム等化）を適用。
• データセット間での入力画像データの標準化のため、min-maxおよびzスコア正規化を実施。
• 過学習を防ぐために、エポックの早期停止を用いたバックプロパゲーションによるCNNの学習。特にMLCデータセットにおいて有効。
• 隠れ層の容量、特徴マップ、正規化手法に関するアブレーションスタディを通じて、ネットワークアーキテクチャの最適化。

実験結果

リサーチクエスチョン

• RQ1 ディープ畳み込みニューラルネットワークは、挑戦的な水中撮影環境下でもサンゴ種の分類を効果的に行えるか？
• RQ2 補助的テクスチャおよび形状特徴（WLD、PC、ZCA）を用いることで、色のみの入力に比べて分類精度が向上するか？
• RQ3 画像前処理（色の正規化、強調処理）は、サンゴ分類性能にどのような影響を及えるか？
• RQ4 ハイブリッドパッチングおよびマルチチャネル入力データは、異なるサンゴ種や水深におけるモデルの汎化性能にどのように影響するか？
• RQ5 水中環境下におけるスパースなサンゴ分類に最適なネットワークハイパーパramータおよびアーキテクチャ設定は何か？

主な発見

• 色チャネルに加え、テクスチャ／形状特徴を統合したマルチチャネル入力を持つ本手法のCNNは、ベースラインの色のみ入力モデルに比べ、より高い分類精度を達成した。
• 画像前処理、特に色の正規化と強調処理が、Moorea Labeled CoralsおよびAtlantic Deep Seaデータセットの両方で性能向上に顕著に寄与した。
• MLCデータセットではエポック30以降に過学習が観察されたため、正則化またはアーキテクチャ的制約の導入が求められる。
• ADSデータセットでは、エポック35以降、訓練誤差とテスト誤差が収束したため、現在の学習率およびアーキテクチャで収束していると示唆された。
• ハイブリッドパッチング戦略により、可変サイズのサンゴ領域からのマルチスケール特徴抽出が効果的に行えた。
• 大西洋深海データセットの導入により、冷水性サンゴ分類の新しいベンチマークが提供され、今後の水中ロボット研究を支援する基盤が整った。