Skip to main content
QUICK REVIEW

[논문 리뷰] TrashCan: A Semantically-Segmented Dataset towards Visual Detection of Marine Debris

Jungseok Hong, Michael Fulton|arXiv (Cornell University)|2020. 07. 16.
Microplastics and Plastic PollutionEnvironmental Science참고 문헌 9인용 수 56
한 줄 요약

본 논문은 TrashCan을 소개하는데, 수중 쓰레기의 대형 인스턴스 분할 데이터셋으로 두 가지 클래스 구성(TrashCan-Material 및 TrashCan-Instance)을 제공하고, Mask R-CNN 및 Faster R-CNN을 사용한 벤치마크 결과를 제시한다.

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.

연구 동기 및 목표

  • 해양 쓰레기에 대한 강건한 탐지를 온보드 자율 수중 로봇(AUV)에 대해 촉진한다.
  • 경계 상자와 마스크를 갖춘 수중 쓰레기의 대형하게 의미론적으로 분할된 데이터셋을 생성한다.
  • 두 가지 데이터셋 구성(TrashCan-Material 및 TrashCan-Instance)을 제공하여 재질 기반 및 인스턴스 기반 분류를 지원한다.
  • 향후 해양 쓰레기 탐지 및 분할의 개선을 촉진하기 위한 벤치마크 실험을 제공한다.]
  • method:[

제안 방법

  • 두 클래스 구성으로 인스턴스 분할 마스크를 갖춘 수중 쓰레기 이미지 대형 데이터셋(7,212 이미지)을 구축한다.
  • 네 가지 거친 클래스(trash, rov, bio, unknown) 및 추가 재질/인스턴스 태그에 대한 마스크 주석을 달다.
  • 모델 학습을 위한 다각형 마스크를 포함한 COCO 포맷으로 주석을 변환한다.
  • Detectron2를 사용하여 최첨단 탐지기를 학습·평가한다: ResNeXt-101-FPN을 사용하는 Faster R-CNN 및 X-101-FPN을 사용하는 Mask R-CNN.
  • COCO-era 지표(AP, AP50, AP75 등)를 사용하여 벤치마크를 설정한다.]
  • research_questions:[

실험 결과

연구 질문

  • RQ1수중 쓰레기 데이터셋의 의미론적 분할이 수중 로보틱스의 탐지 및 분할 성능을 향상시킬 수 있는가?
  • RQ2재질 기반 대 인스턴스 기반 클래스 구성이 탐지 및 분할 성능에 어떤 영향을 미치는가?
  • RQ3TrashCan에서 표준 COCO 지표를 사용한 선두 모델의 기본 성능은 어느 수준인가?

주요 결과

  • 인스턴스 기반 학습이 평가된 모델 전반에 걸쳐 재질 기반 설정보다 평균 정밀도(AP)를 더 높게 내는 경향이 있다.
  • 인스턴스 라벨을 가진 Faster R-CNN이 AP 34.5 및 AP50 55.4를 달성하여 여러 지표에서 다른 구성보다 우수하다.
  • 인스턴스 버전의 Mask R-CNN은 AP 30.0 및 AP50 55.3을 달성하여 인스턴스 분할 벤치마크에서도 경쟁력 있는 성능을 보인다.
  • 재질 버전의 결과는 탐지 및 분할 작업 모두에서 일반적으로 인스턴스 버전보다 낮게 나타났다.
  • 전반적으로 기본 벤치마크는 더 많은 데이터나 고급 모델의 도입으로 개선 여지가 있지만, 데이터셋의 해양 쓰레기 탐지 유용성을 검증한다.]
  • table_headers:[

이 논문 읽기

누빈트 뷰어에서 원문을 열고, 읽으면서 궁금한 곳을 바로 물어보세요.

누빈트에서 이 논문 읽기

이 리뷰는 AI가 논문 원문을 바탕으로 만들었습니다. 인용하기 전에 원문을 확인해 주세요.