Vis enkel innførsel

dc.contributor.advisorBrekke, Edmund
dc.contributor.advisorHelgesen, Øystein Kaarstad
dc.contributor.authorLandsnes, Kristoffer
dc.date.accessioned2021-11-26T18:19:38Z
dc.date.available2021-11-26T18:19:38Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:76427839:20909072
dc.identifier.urihttps://hdl.handle.net/11250/2831747
dc.description.abstractDeteksjon av objekter er imperativt for situasjonsforståelse i autonome systemer og bidrar til trygg og kontrollert autonom navigasjon. I maritime miljøer er kamerabaserte detektorer et av de viktigste systemene som gir tilgang på detaljert strukturell informasjon om objekter, men ofte er slike detektorer basert på ufullstendige og småskala datasett for trening og evaluering. I denne avhandlingen undersøker vi effekten av pre-trening og finjustering av objekt-detektorer for deteksjon av maritime fartøy; også kalt målrettet deteksjons pre-trening. Eksisterende annotert maritim data er ervervet og benyttet til å designe tre eksperimentelle datasett med optiske bilder for deteksjons pre-trening. Det største datasettet består av totalt 17,871 bilder med 95,398 annoterte maritime fartøy. Domeneadaptiv finjustering utføres på et eget-annotert måldomene datasett, som representerer operasjonsområdet til den autonome fergen milliAmpere. State-of-the-art detektoren, EfficientDet-D3, er valgt i samsvar med krav til deteksjonstid fra sensorriggen til milliAmpere. Finjustering inn i måldomenet utføres for full finjustering (FF), fryst konvolusjonsnettverk (FB) og finjustering av EfficientDet-D3 prediksjonshodene (HO). Basert på COCO AP ytelseskriterium på måldomenets testsett og flere case-studie scenarioer, fremhever vi hovedfunnene våre. 1) Målrettede deteksjons pre-trente modeller konvergerer konsekvent raskere og til høyere ytelse enn alle basislinje (baseline) modeller, selv for færre finjusterte epoker. 2) Målrettede deteksjons pre-trente modeller er mer robuste og avverger falske-negative prediksjoner i utfordrende scenarier, mens de produserer mer presise bounding-bokser med høyere trygghet. 3) Mer fryste parametere gir dårligere ytelse enn for full finjustering når pre-trening oppgaven og måldomenets oppgave samt annoterings klassene er de samme. Målrettet deteksjonstrening er funnet meget gunstig for å forbedre deteksjon av maritime fartøy i måldomenet og motiverer videre bruk av denne teknikken for raskere og mer robust detektorutvikling på småskala maritime måldatasett.
dc.description.abstractObject detection is imperative for situational awareness in autonomous systems, promoting safe and controlled autonomous navigation. Maritime camera-based object detectors, though being one of the key-systems for providing rich object structure-information, are often based on incomplete and small-scale datasets for training and evaluation. In this thesis, we explore the effects of pre-training and fine-tuning object detectors for maritime vessel detection; referred to as targeted detection pre-training. Existing annotated maritime data is acquired, resulting in three experimental datasets of optical images for detection pre-training. The largest of which, comprises a total of 17,871 images with 95,398 labeled maritime vessels. In a real-world setting, domain adaptive fine-tuning is executed on a manually labeled target domain dataset representing the operational area of the autonomous ferry milliAmpere. The state-of-the-art EfficientDet-D3 detector is selected in accordance with inference time requirements from the sensor rig of milliAmpere. Fine-tuning into the target domain is executed for full fine-tuning (FF), frozen backbone (FB) and fine-tuning of the EfficientDet-D3 prediction heads only (HO). Based on reported COCO AP metrics on the target domain test set and several case-study scenarios, we highlight our main findings. 1) Targeted detection pre-trained models consistently converge faster and to higher performance scores than all baselines, even for fewer fine-tuned epochs. 2) Targeted detection pre-trained models are more robust, mitigating false-negative predictions in challenging scenarios while producing tighter and more confident predicted bounding boxes. 3) More freezing is inferior to full fine-tuning when the pre-training and target tasks and labels are the same. Targeted detection pre-training is found highly beneficial for improving maritime vessel detection in the target domain, encouraging the adoption of this scheme for faster stream-lined and more robust detector development on small-scale maritime target datasets.
dc.languageeng
dc.publisherNTNU
dc.titleDomain Adaptation for Detection of Maritime Vessels in Images
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel