Китайские военные моряки снова учат ИИ находить корабли в тумане. Чьи корабли ищут — по-прежнему не уточняется
NewsMakerАвторы собрали более двух тысяч парных кадров и почти двадцать тысяч размеченных объектов для проверки систем распознавания.
Китайские исследователи собрали набор данных, который может заметно упростить жизнь системам морского наблюдения. Вместо привычных «чистых» картинок из лаборатории команда взяла реальные съемки кораблей у порта в Бохайском море и свела в одну систему данные сразу с нескольких типов сенсоров. В центре работы оказался парный массив видимых и инфракрасных изображений, который нужен для более надежного поиска судов в сложной погоде и при плохом освещении.
Авторы построили крупную мультимодальную систему на базе данных с SAR, обычного радара, камер видимого диапазона и инфракрасных камер. Съемку вели с береговых и воздушных платформ, а разметку готовили в два этапа: сначала автоматически совмещали кадры между разными каналами, потом вручную исправляли ошибки. Для широкой аудитории смысл простой: алгоритм получает не одну картинку, а сразу два взгляда на одну и ту же цель, поэтому шанс пропустить судно в сложной обстановке снижается.
Главный результат работы - набор Dual-Modal Ship Detection из 2163 совмещенных пар изображений в видимом и инфракрасном диапазоне. Совмещение между двумя модальностями исследователи выполнили с помощью аффинного преобразования. В набор вошли кадры не только при нормальной видимости, но и в тумане, дожде, облачности и при контровом свете, то есть в условиях, где морская автоматика обычно начинает ошибаться заметно чаще.
Проверка на популярных моделях показала не рекорд ради рекорда, а вполне практический результат. На наборе YOLOv8 выдал mAP@50 около 0,65, а модель CFT показала примерно 0,63. Авторы считают, что такой массив пригодится для исследований в области слияния видимого и инфракрасного изображения и поможет делать детекторы устойчивее к реальной морской погоде, а не только к аккуратным тестовым сценам.
Если коротко, работа ценна не громким числом, а подходом. Исследователи предлагают не очередной набор красивых картинок с кораблями, а более жизненный материал для тренировки систем, которым предстоит работать у воды, в дымке, под дождем и на фоне бликов. Для отрасли морского мониторинга такой сдвиг может оказаться важнее, чем очередной прирост точности на стерильных тестах.
Китайские исследователи собрали набор данных, который может заметно упростить жизнь системам морского наблюдения. Вместо привычных «чистых» картинок из лаборатории команда взяла реальные съемки кораблей у порта в Бохайском море и свела в одну систему данные сразу с нескольких типов сенсоров. В центре работы оказался парный массив видимых и инфракрасных изображений, который нужен для более надежного поиска судов в сложной погоде и при плохом освещении.
Авторы построили крупную мультимодальную систему на базе данных с SAR, обычного радара, камер видимого диапазона и инфракрасных камер. Съемку вели с береговых и воздушных платформ, а разметку готовили в два этапа: сначала автоматически совмещали кадры между разными каналами, потом вручную исправляли ошибки. Для широкой аудитории смысл простой: алгоритм получает не одну картинку, а сразу два взгляда на одну и ту же цель, поэтому шанс пропустить судно в сложной обстановке снижается.
Главный результат работы - набор Dual-Modal Ship Detection из 2163 совмещенных пар изображений в видимом и инфракрасном диапазоне. Совмещение между двумя модальностями исследователи выполнили с помощью аффинного преобразования. В набор вошли кадры не только при нормальной видимости, но и в тумане, дожде, облачности и при контровом свете, то есть в условиях, где морская автоматика обычно начинает ошибаться заметно чаще.
Проверка на популярных моделях показала не рекорд ради рекорда, а вполне практический результат. На наборе YOLOv8 выдал mAP@50 около 0,65, а модель CFT показала примерно 0,63. Авторы считают, что такой массив пригодится для исследований в области слияния видимого и инфракрасного изображения и поможет делать детекторы устойчивее к реальной морской погоде, а не только к аккуратным тестовым сценам.
Если коротко, работа ценна не громким числом, а подходом. Исследователи предлагают не очередной набор красивых картинок с кораблями, а более жизненный материал для тренировки систем, которым предстоит работать у воды, в дымке, под дождем и на фоне бликов. Для отрасли морского мониторинга такой сдвиг может оказаться важнее, чем очередной прирост точности на стерильных тестах.