[論文レビュー] Deep Neural Networks for Marine Debris Detection in Sonar Images

Matías Valdenegro-Toro|arXiv (Cornell University)|May 13, 2019

Advanced Neural Network Applications参考文献 134被引用数 26

ひとこと要約

本論文は、水槽で取得した2,069枚の前方指向ソナー（FLS）画像から構築されたカスタムデータセットを活用して、畳み込みニューラルネットワーク（CNN）を用いた深層学習的手法を提案し、海洋ごみの検出を実現する。本手法は、最新の技術と比較して、特にマッチングおよび検出候補生成タスクで優れた性能を示し、サンプルの複雑さと物体サイズへの感受性の面で顕著な向上を達成している。

ABSTRACT

Garbage and waste disposal is one of the biggest challenges currently faced by mankind. Proper waste disposal and recycling is a must in any sustainable community, and in many coastal areas there is significant water pollution in the form of floating or submerged garbage. This is called marine debris. Submerged marine debris threatens marine life, and for shallow coastal areas, it can also threaten fishing vessels [Iñiguez et al. 2016, Renewable and Sustainable Energy Reviews]. Submerged marine debris typically stays in the environment for a long time (20+ years), and consists of materials that can be recycled, such as metals, plastics, glass, etc. Many of these items should not be disposed in water bodies as this has a negative effect in the environment and human health. This thesis performs a comprehensive evaluation on the use of DNNs for the problem of marine debris detection in FLS images, as well as related problems such as image classification, matching, and detection proposals. We do this in a dataset of 2069 FLS images that we captured with an ARIS Explorer 3000 sensor on marine debris objects lying in the floor of a small water tank. The objects we used to produce this dataset contain typical household marine debris and distractor marine objects (tires, hooks, valves, etc), divided in 10 classes plus a background class. Our results show that for the evaluated tasks, DNNs are a superior technique than the corresponding state of the art. There are large gains particularly for the matching and detection proposal tasks. We also study the effect of sample complexity and object size in many tasks, which is valuable information for practitioners. We expect that our results will advance the objective of using Autonomous Underwater Vehicles to automatically survey, detect and collect marine debris from underwater environments.

研究の動機と目的

• 水中ソナー画像における海洋ごみの自動検出を目的とした深層ニューラルネットワーク（DNN）の開発と評価。
• 実際の水中環境からのソナーデータを用いて、沈殿している海洋ごみ（しばしばリサイクル可能な素材で構成される）を検出する課題に取り組む。
• 実環境におけるセンサー制限を考慮し、制御された水槽で撮影された2,069枚のFLS画像と10種類のごみクラスおよびバックグラウンドを含む包括的なベンチマークデータセットを構築する。
• 自律型水中ドローン（AUV）への実用的導入を想定し、サンプルの複雑さと物体サイズが検出性能に与える影響を調査する。
• DNNベースのビジョンシステムを搭載したAUVを用いた、海洋ごみの調査および回収作業の自動化を推進する。

提案手法

• 実際の海底状況を模倣した水槽で、ARIS Explorer 3000センサーを用いて取得した2,069枚の前方指向ソナー（FLS）画像から構築されたカスタムデータセットを活用。
• 画像分類、画像マッチング、物体検出候補生成の複数のタスクを対象に、深層ニューラルネットワーク（DNN）を設計および訓練。
• 標準的な深層学習コンponentsを採用：畳み込み層にはConv( f, w×h )、マックスプーリングにはMaxPool( w×h )、グローバル平均プーリングにはAvgPool、全結合層にはFC( n )を用いる。
• ミニバッチ勾配降下法（MGD）を用いてモデルを訓練し、学習率α、バッチサイズB、最大Mエポックまで学習を実施。検証セット（Vl）で最適化し、ホールドアウトされたテストセット（Ts）で評価。
• 実装にはKeras、Theano、scikit-learnを用い、1,000以上のニューラルネットワークの学習を実行するため、高性能GPUコンピューティングをロボタリアムクラスタで実施。
• 分類、マッチング、候補生成の各タスクにおけるモデル性能を評価し、物体サイズおよび学習サンプル数の感受性を分析。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、前方指向ソナー画像内での海洋ごみ検出において、最新の手法を上回る性能を示せるか？
• RQ2 学習例の数（サンプルの複雑さ）が、DNNの海洋ごみ検出性能にどのように影響するか？
• RQ3 物体サイズは、ソナー画像における検出精度および候補生成品質にどのような影響を及ぼすか？
• RQ4 DNNは、ソナー画像内での類似したごみオブジェクトのマッチングおよび正確な検出候補の生成にどの程度効果的か？
• RQ5 制御された水槽で得られたデータセットは、実環境における水中ごみ検出シナリオにどの程度一般化可能か？

主な発見

• DNNは、FLS画像における海洋ごみ検出において、特に検出候補生成および画像マッチングタスクで、最新の手法を顕著に上回る性能を示した。
• 提案されたDNNフレームワークは、検出候補生成において顕著な性能向上を達成しており、自律型水中ドローン（AUV）システムへの統合に大きな可能性を示している。
• サンプルの複雑さが重要な要因であることが判明し、特に小さなごみオブジェクトの検出において、学習データ量の増加に伴い性能が著しく向上した。
• 物体サイズは検出精度に測定可能な影響を及ぼし、小さなごみオブジェクトは検出がより困難であることが示され、サイズに配慮したモデル設計の必要性が強調された。
• 分類、マッチング、候補生成の各タスクにわたる包括的な評価を通じて、DNNが水中ごみ検出に対して堅牢で多様性に富んだ手法であることが実証された。
• 10種類のごみクラスおよびバックグラウンドを含む2,069枚のFLS画像から構成されるカスタムデータセットは、将来的なソナーを用いた海洋ごみ検出研究の貴重なベンチマークを提供する。