《面向无人水面航行器的神经网络迁移学习》最新113页

本文探讨了如何利用迁移学习和合成数据来提高卷积神经网络（CNN）在海上船只探测方面的性能，重点是自主无人水面航行器（USV）。所面临的挑战是标注夜间数据的可用性有限，而夜间数据对于在低能见度条件下检测船只至关重要。该模型最初是在真实世界的数据上进行训练，以探测 Mokai USV 和其他船只。然后使用合成的日间数据进行迁移学习，使数据集多样化，包含更多的船只类型和条件。此外，还对 Sionyx NightWave 摄像机的图像进行了直方图均衡化处理，使模型能够在夜间进行检测，而无需大量真实世界的标注夜间数据。在真实世界、合成日间和合成夜间数据集上，使用平均精度 (AP)、召回率和漏检率指标对模型的性能进行了评估。虽然该模型在日间条件下表现良好，但在夜间检测时性能却有所下降，尤其是对于较小的物体。这些结果凸显了领域适应性的挑战，同时也证明了合成数据和迁移学习在解决海洋环境中标记数据稀缺问题方面的潜力。这种方法为改进 USV 在各种条件下的自主操作提供了一种经济有效的解决方案。

美国海军部（DON）的《2021 年智能自主系统（IAS）科技战略》强调，在复杂和不可预测的海洋环境中，越来越依赖自主平台来增强作战能力[1]。正如该战略所概述的那样，海军正越来越多地集成像无人水面航行器（USV）这样的智能自主系统，以执行从监视和侦察到后勤和威胁探测等各种任务[1]。该领域的一个关键挑战是确保这些无人系统（UxS）能够在各种环境条件下有效运行，包括夜间行动等低能见度场景以及雨、雾等恶劣天气条件。在这种条件下，可靠的目标探测和分类对于任务的成功至关重要，因为 USV 的运行需要最少的人工干预。

然而，由于标注的夜间数据稀缺以及现实世界数据集的限制，传统的目标检测模型在夜间环境中往往难以发挥良好的性能。这一不足阻碍了海军在需要在不利照明条件下进行精确探测的行动中部署 USV 的能力。海军部的战略强调需要先进的机器学习（ML）和人工智能（AI）技术，以适应各种环境挑战，确保自主平台在任何条件下都能保持高水平的态势感知能力。

此外，部署配备红外（IR）摄像机等先进传感器技术的 USV 的成本效益和操作灵活性也是重要的考虑因素。虽然红外摄像机可提高低光照条件下的可视性，但其成本往往较高，而且需要专门的培训。相比之下，在可行的情况下，利用日光下训练的模型进行夜间应用可能会节省成本并提高运行效率，因为与红外标记的数据集相比，日光标记的数据集更为丰富。

这项工作的动机源于海军部实现自主系统现代化、减少人类工作量和提高运行效率的目标[1]。随着海军继续将 UxS 集成到其舰队中，开发先进、弹性和适应性强的目标检测模型的能力将在确保自主海上行动在所有照明和天气条件下取得成功方面发挥至关重要的作用，从而为海军部在 IAS 领域的技术优势做出贡献。

本文的贡献如下：

开发用于海上目标检测的 CNN：创建专门用于检测海洋环境中船只的 CNN 是一项关键技术贡献。该模型可以区分几种类型的船只，包括 Mokai USV 和其他水面舰艇，为 USV 在实际海军行动中的自主性提供了实用的解决方案。
利用合成数据进行迁移学习：本论文展示了合成数据的使用，以克服标注图像稀缺的问题，这是在此类环境中训练模型的常见限制。通过使用合成日间数据训练 CNN，然后将迁移学习技术应用于夜间条件，该研究为在没有大量真实世界标记数据的情况下提高模型性能做出了新的贡献。
利用直方图均衡化创新领域适应性：应用直方图均衡化技术来增强 Sionyx NightWave 摄像机的图像，并随后在合成夜间数据上进行迁移学习，是一项显著的方法创新。通过利用图像处理技术和迁移学习，这种方法有助于改进低照度场景下的物体检测，为更广泛的领域适应性研究领域做出了贡献。