Oct, 2023

SONIC：基于姿态监督学习的声纳图像对应

PDF
TL;DR通过使用学习到的特征进行声纳图像对应关系，本文针对水下 SLAM 中的数据关联问题提出了一种新颖的方法。我们介绍了 SONIC（SONar Image Correspondence），一个通过姿态监督的网络，旨在生成能够抵御视角变化的强大特征对应关系。该方法在为声纳图像生成对应关系方面表现出显著的优异性能，为更准确的闭环约束和基于声纳的地点识别铺平了道路。为促进该领域的进一步发展，我们将提供代码以及模拟和真实世界的数据集。
发现论文，激发创造
  • 改进合成训练的声纳图像描述符在水下地点识别中的泛化性能

    自主导航与水下环境中的挑战，主要包括光吸收和水浑浊度等因素，传统视觉算法对声纳生成的声学图像的应用效果较差，而卷积神经网络通常需要大量的标记训练数据，这些数据通常难以获取。因此，我们提出了一种新型的紧凑型深度声纳描述符管道，它能够在仅仅用于合成数据的情况下推广到真实场景，并通过标准的临时规范化 / 预滤波技术提升输入声纳数据的质量。同时，我们还介绍了自定义的合成数据生成过程。通过对合成和公开可用的真实数据的广泛评估，证明了我们提出的方法相较于最先进的方法更加有效。

    Aug, 2023

  • 神经网络体积重建用于相干合成孔径声纳

    使用分析与合成优化的方法来实现一种基于神经渲染的合成孔径声纳（SAS）成像，其具有物理约束和场景先验的能力，经过实验验证，表现通常优于现有的方法。

    Jun, 2023

  • 合成孔径声纳数据处理、分类和模式识别的自监督学习进展

    本文提出了一种使用自监督学习（SSL）进行合成孔径声纳（SAS）数据处理、分类和模式识别的方法 MoCo-SAS，实验结果表明 MoCo-SAS 在 F1 分数方面明显优于传统监督学习方法，展示了 SSL 在 SAS 数据处理中的潜力，并为增强水下目标检测和分类提供了有希望的途径。

    Aug, 2023

  • 自监督学习用于声纳图像分类

    本研究探讨了三种自监督学习方法（RotNet，去噪自编码器和 Jigsaw）在水下机器人领域中，能否在无需大型标记数据集的情况下学习高质量的声纳图像表示，并提出了预训练和迁移学习的结果。结果表明，三种方法的自监督预训练可在少数样本迁移学习设置中实现与有监督预训练相当的分类性能。

    Apr, 2022

  • 基于弱监督的圆扫描合成孔径声纳图像的语义分割

    我们提出了一种弱监督框架，用于圆型扫描合成孔径声纳（CSAS）图像的语义分割。

    Jan, 2024

  • 侧扫声纳规范图像表示的评估

    本文提出了一种基于强度和斜距离纠正的规范化变换方法，该方法对由侧扫声纳所采集的图像数据中的失真和相位差进行了修正，并成功地在真实环境中进行了实验验证。

    Apr, 2023

  • RGB-Sonar 跟踪基准及空间交叉注意力变换器追踪器

    该研究提出了一个新的 RGB-Sonar 跟踪任务，并研究如何通过 RGB 和声纳模态的相互作用来实现高效的水下目标跟踪。实验结果表明，提出的空间交叉注意力有效地实现了 RGB 和声纳模态之间的交互，而 SCANet 在提出的基准测试中取得了最先进的性能。

    Jun, 2024

  • 自监督学习提升合成孔径声纳目标识别

    这项研究探讨了自监督学习（SSL）在合成孔径声纳（SAS）图像识别改进中的应用，结果表明，尽管两个 SSL 模型在少样本情况下可以优于完全监督模型，但在使用全部标签时不能超过其性能，这有助于减少数据标记的时间和成本，同时提供了远程感知中使用 SSL 的证据。

    Jul, 2023

  • 基于声纳的水下 AUV 定位系统在低基础设施密度环境中的应用

    在此研究中，我们提出了一种针对海底人造资产稀疏环境设计的自主水下航行器的新型实时声纳全球定位算法。通过利用两种数据解释前端，并在同一声纳数据流中合并这些观测结果，我们的方法在粒子滤波器内加权高概率区域的粒子或解决对称模糊。在模拟环境中进行了初步实验，结果显示出良好的前景。这项工作为将来的方法发展和在实际情况下的全面评估奠定了基础。

    May, 2024

  • 水下视觉单目 SLAM 挑战的调查研究

    本文系统研究了单目视觉同时定位与地图构建方法在水下机器人中应用时所遇到的挑战，并探讨了环境条件对算法表现的影响，同时提出了图像增强技术来提高在极端光照和低能见度条件下的算法准确性和鲁棒性。

    Jun, 2023