[論文レビュー] TrashCan: A Semantically-Segmented Dataset towards Visual Detection of Marine Debris

Jungseok Hong, Michael Fulton+1 more|arXiv (Cornell University)|Jul 16, 2020

Microplastics and Plastic Pollution参考文献 9被引用数 56

ひとこと要約

本論文は TrashCan を紹介する。海中ゴミの大規模インスタンスセグメンテーションデータセットで、2つのクラス設定（TrashCan-Material と TrashCan-Instance）を持ち、Mask R-CNN と Faster R-CNN のベースライン結果を提供する。

ABSTRACT

This paper presents TrashCan, a large dataset comprised of images of underwater trash collected from a variety of sources, annotated both using bounding boxes and segmentation labels, for development of robust detectors of marine debris. The dataset has two versions, TrashCan-Material and TrashCan-Instance, corresponding to different object class configurations. The eventual goal is to develop efficient and accurate trash detection methods suitable for onboard robot deployment. Along with information about the construction and sourcing of the TrashCan dataset, we present initial results of instance segmentation from Mask R-CNN and object detection from Faster R-CNN. These do not represent the best possible detection results but provides an initial baseline for future work in instance segmentation and object detection on the TrashCan dataset.

研究の動機と目的

• 海洋ドロブの onboard 自律型水中ロボット（AUV）用の堅牢な検出の動機づけ。
• 境界ボックスとマスクを備えた大規模で意味的にセグメントされた海中ゴミデータセットを作成。
• 材料ベースとインスタンスベースの分類をサポートする2つのデータセット構成（TrashCan-Material と TrashCan-Instance）を提供。
• 将来の海洋ゴミ検出とセグメンテーションの改善を促すベースライン実験を提供。

提案手法

• インスタンスセグメンテーションマスクを含む大規模な海中ゴミ画像データセットを2クラス方式で構築（7,212 枚の画像）。
• 4つの粗いクラス（ゴミ, ROV, 生物, 不明）および追加の material/instance タグのマスクをアノテート。
• アノテーションを COCO 形式に変換して polygonal masks をモデル訓練に使用。
• Detectron2 を用いた最先端検出器の訓練と評価：ResNeXt-101-FPN を用いた Faster R-CNN と X-101-FPN を用いた Mask R-CNN。
• COCO-era の指標（AP, AP50, AP75 など）を用いてベースラインを確立。

実験結果

リサーチクエスチョン

• RQ1 意味的にセグメントされた海中ゴミデータセットは海洋ロボティクスの検出とセグメンテーションを改善できるか？
• RQ2 材料ベースとインスタンスベースのクラス設定は検出とセグメンテーションの性能にどのように影響するか？
• RQ3 TrashCan で標準的な COCO 指標を用いて先進モデルはどの程度のベースライン性能を達成するか？

主な発見

• インスタンスベースの学習は、評価されたモデル全体で材料ベースの設定より一般的に高い平均適合率(AP)をもたらす。
• インスタンスラベルを用いた Faster R-CNN は AP 34.5 および AP50 55.4 を達成し、他の設定をいくつかの指標で上回った。
• インスタンス版の Mask R-CNN は AP 30.0 および AP50 55.3 を達成し、インスタンス分割のベースラインとして競争力がある。
• 材料版の結果は、検出と分割タスクのいずれもインスタンス版より一般に低かった。
• 全体としてベースラインの結果は、より多くのデータや高度なモデルで改善の余地がある一方で、データセットの海洋ゴミ検出への有用性を検証している。