Object detection and instance segmentation of planktonic organisms using Mask R-CNN for real-time in-situ image processing.

Abstract

Denne oppgaven er en undersøkelse av nylig presenterte state-of-the-art metoder og nettverksarkitekturer for bildesegmentering[61, 38, 37, 78, 49] ved bruk av Facebook Artificial Intelligence Research (FAIR) sitt software rammeverk, Detectron2 sin implementasjon av Mask R-CNN[38]. Vi bekrefter resultatene fra metoden presentert av He et al. gjennom våre egne ekperimenter utført på MS COCO[48] datasettet. Vi utfører også vår egen trening og evaluering av flere forskjellige konfigurasjoner av metoden på egen data. For dette tilfører vi et nytt, egenprodusert, annotert datasett[14] bestående av plankton bilder tatt in-situ[60] i lab-omgivelser, som egner seg for objekt deteksjon og instansiert segmentering. Vi oppgir resultater, ferdig trente modeller og kode nødvendig for å innlemme en modul av Mask R-CNN implementasjonen i eksisterende in-situ avbildningssystermer. Resultatene våre viser at metoden utfører oppgaven med strålende nøyaktighet samtidig som at operasjonstiden er lav nok til å prosessere data i sanntid in-situ. Kode og andre filer er tilgjengeliggjort ved: https://github.com/AILARON/Segmentation

This thesis is an investigation of recent state-of-the-art methods and architectures for segmentation[61, 38, 37, 78, 49] using Facebook Artificial Intelligence Research’s (FAIR) software framework Detectron2’s[77] implementation of Mask R-CNN[38]. We validate the method’s results through experiments over the MS COCO[48] dataset as reported by He et al., and we conduct our own training and evaluation of several different configurations of the method on our own data. For this we provide a novel custom dataset[14] from planktonic images captured in-situ[60] in a lab environment suited for object detection and instance segmentation. We provide results, trained models, and the code necessary to embed a module of the Mask R-CNN implementation into existing in-situ imaging systems. Our results show that the method performs excellent in terms of accuracy while having a low enough computational overhead to operate in real-time in-situ. Code and miscellaneous files have been made available at: https://github.com/ AILARON/Segmentation