Формирование синтетических данных для машинного обучения распознаванию подводных объектов

Формирование синтетических данных для машинного обучения распознаванию подводных объектов

Абросимов Вячеслав Константинович
д.т.н., c.н.с., Главный научно-исследовательский испытательный межвидовой центр перспективного вооружения Министерства Обороны РФ (ГНИИМЦ ПВ), в.н.с., 129327, Москва, Чукотский проезд, д. 10, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., ORCID: 0000-0001-6701-2389

Матвеева Юлия Николаевна
ГНИИМЦ ПВ, м.н.с., 129327, Москва, Чукотский проезд, д. 10

Материал поступил в редакцию 23 января 2023 года.

Аннотация
Особенностью машинного обучения систем управления необитаемых подводных аппаратов является объективно очень малые выборки реальных данных. Целью исследования являлось разработка подхода к созданию синтетических данных, описывающих подводные объекты для использования в составе обучающих и валидационных выборок при машинном обучении систем управления автономных необитаемых подводных аппаратов. Предметом исследования являлись разнообразные подводные объекты, реальная информации о форме, размерах и их внешних образах очень ограничена. В качестве метода решения задачи использовался метод аугментации данных, позволяющий получить из исходного образа дополнительные данные о недоопределенных объектах наблюдения при сохранении классификационных признаков Разработано восемь моделей, имитирующих влияние различных факторов водной среды и позволяющих разнообразными методами аугментации (изменение положения, добавление в изображение шума, бликов, расфокусировка с целью создания нечеткости; фрагментация и др.) получить практически неограниченное число образов любых объектов рукотворной деятельности, погруженных в подводную обстановку, в различной степени подобных эталонному. Приведены примеры использования моделей аугментации, учитывающих изменения освещенности, прозрачности и наличия подводного ландшафта. В условиях проблем получения реальных изображений объектов под водой, такие синтетические (модельные) образы могут составить основу обучающей выборки для машинного обучения распознаванию и идентификации подводных объектов. Обученная модель может использоваться как основа системы поддержки принятия решений для операторов телеуправляемых необитаемых подводных аппаратов и, после соответствующей доработки, как основа построения систем управления автономных необитаемых подводных аппаратов, решающих задачи мониторинга подводных пространств.

Ключевые слова
Машинное обучение, аугментация, распознавание, идентификация моделирование, телеуправляемый автономный необитаемый подводный аппарат, синтетические данные.

DOI
10.31776/RTCJ.11402

Индекс УДК 
004.8:004.93

Библиографическое описание
Абросимов, В.К. Формирование синтетических данных для машинного обучения распознаванию подводных объектов / В.К. Абросимов, Ю.Н. Матвеева // Робототехника и техническая кибернетика. – Т. 11. - № 4. – Санкт-Петербург : ЦНИИ РТК. – 2023. – С. 256-266. – Текст : непосредственный.

Литература

  1. Войтов Д.В. Автономные необитаемые подводные аппараты. – Москва: Моркнига, 2015. – 332 с. – Текст: непосредственный.
  2. Кафтанников И.Л. Проблемы формирования обучающей выборки в задачах машинного обучения / И.Л. Кафтанников, А.В. Парасич // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». – 2016. – Т.16. – № 3. – С. 15-24. – Текст: непосредственный.
  3. Методы аугментации обучающих выборок в задачах классификации изображений / C.О. Емельянов [и др.] // Сенсорные системы, 2018. – Т. 32. – № 3. – С. 236-245. – Текст: непосредственный.
  4. Введение в Аугментацию изображений с использованием библиотеки fastai // MachineLearningMastery.ru: [сайт]. – URL: https://www.machinelearningmastery.ru/introduction-to-image-augmentations-using-the-fastai-library-692dfaa2da42/ (дата обращения: 12.05.2021). – Текст: электронный.
  5. 5 Synthetic Data Applications for the Defense Industry // VT - Partners: Sportsbook Reviews Guide - Betiton Sports: [site]. – URL: https://www.veteranstoday.com/2021/01/14/5-synthetic-data-applications-for-the-defense-industry/ (дата обращения: 03.06.2022). – Text: electronic.
  6. Акимов А.В. Алгоритмы обработки информации в задачах распознавания и аугментации сигналов и изображений на основе моделей деформирующих искажений: автореферат диссертации канд. физ.-мат. наук 05.13.01 / Акимов Алексей Викторович; Воронеж. – 2019. – URL: http://www.science.vsu.ru/dissertations/7442/ (дата обращения: 15.05.2022). – Текст: электронный.
  7. Synthetic training in object detection / Osama Khalil [et al.] // Microsoft Advanced Technology Labs, Cairo, Egypt, 2014. – URL: https://www.microsoft.com/en-us/research/wp-сontent/uploads/2016/02/ICIP2013_SyntheticObjectDetection_CameraReady.pdf. (дата обращения: 04.07.2022). – Text: electronic.
  8. Guanying Huo. Underwater Object Classification in Sidescan Sonar Images Using Deep Transfer Learning and Semisynthetic Training Data / Guanying Huo, Ziyin Wu // ResearchGate: [site]. – URL: https://www.researchgate.net/publication/339756991_Underwater_Object_Classification_in_Sidescan_Sonar_Images_Using_Deep_Transfer_Learning_and_Semisynthetic_Training_Data (дата обращения: 22.04.2022). – Text: electronic.
  9. Christoph Briese. Deep Learning with Semi-Synthetic Training Images for Detection of Non-Cooperative UAVs / Christoph Briese, Lukas Guenther // Semantic Scholar: [site]. – URL: https://www.semanticscholar.org/paper/Deep-Learning-with-Semi-Synthetic-Training-Images-Briese-Guenther/c373f2c7104da58015d288db3bd7030959d364c2 (дата обращения: 13.06.2022). – Text: electronic.
  10. Гайер А.В. Применение компьютерного зрения в морских исследованиях // Хабр: [сайт]. – URL: https://habr.com/ru/company/ods/blog/454964/ (дата обращения: 08.05.2022). – Текст: электронный.
  11. Гайер А.В. Аугментация обучающей выборки «на лету» для обучения нейронных сетей / А.В. Гайер, А.В. Шешкус, Ю.С. Чернышова // Труды ИСА РАН. Спецвыпуск. – 2018. – C.150-157. – Текст: непосредственный.
  12. Zagoruyko S. Learning to Compare Image Patches via Convolutional Neural Networks / S. Zagoruyko, N. Komodakis // The IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2015. – Text: unmediated.
  13. Освещенность и фотосъемка под водой при естественном свете // Клуб foto.ru: [сайт]. – URL: http://istoriya-foto.ru/books/item/f00/s00/z0000006/stshtml (дата обращения: 21.12.2021). – Текст: электронный.
  14. Введение в основы подводного ландшафтоведения // Зооинженерный факультет МСХА: [сайт]. –
  15. URL: https://www.activestudy.info/vvedenie-v-osnovy-podvodnogo-landshaftovedeniya/ (дата обращения: 23.06.2022). – Текст: электронный.

Полный текст статьи (pdf)