Parameter-efficiënte methode verbetert onderwaterbeeldherkenning met sonar
Wetenschappers hebben een drietrapsraamwerk ontwikkeld om Vision Transformers aan te passen voor automatische doelherkenning met behulp van synthetische apertuursonar. De methode maakt gebruik van Low-Rank Adaptation om de kloof tussen standaard beelden en onderwaterakoestiek te overbruggen.
Voor automatische doelherkenning in maritieme toepassingen wordt gebruikgemaakt van synthetische apertuursonar. Het toepassen van diepe leermodellen op dit type akoestische data liep tot op heden vast op een tekort aan specifieke trainingsbeelden en de complexiteit van de onderwateromgeving. Onderzoekers hebben nu een aanpak gepresenteerd die bestaande vision transformers geschikt maakt voor deze taak.
Aanpassing via efficiënte technieken
In de eerste fase van het voorgestelde raamwerk wordt Low-Rank Adaptation ingezet om de achterliggende neurale netwerken te trainen terwijl de basis bevroren blijft. Hierdoor kan de kennis uit standaard voorgetrainde beeldmodellen worden benut voor akoestische data. Vervolgens wordt hard-negative mining ingezet om de herkenning verder te verfijnen in complexe omstandigheden.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.AI). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel