Tăng cường dữ liệu sử dụng phương pháp chuyển kiểu cho bài toán phát hiện đối tượng nguỵ trang quân sự
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE8.2024.44-54Từ khóa:
Phương pháp chuyển kiểu; Phát hiện đối tượng nguỵ trang quân sự; Tăng cường dữ liệu.Tóm tắt
Phát hiện các vật thể ngụy trang trong môi trường quân sự đặc biệt khó khăn do mục tiêu cố tình hoà trộn với môi trường xung quanh. Mặc dù các phương pháp phát hiện đối tượng sử dụng học sâu đã có sự tiến bộ lớn, nhưng sự hạn chế về số lượng và chất lượng của dữ liệu huấn luyện vẫn là một trở ngại đáng kể tới độ chính xác của mô hình phát hiện. Bài báo này đề xuất một phương pháp tăng cường dữ liệu mới kết hợp nhiều mô hình chuyển phong cách để chuyển đổi phong cách của ảnh huấn luyện thành nhiều phong cách tham chiếu giúp ảnh huấn luyện phong phú với nhiều kết cấu và mẫu môi trường khác nhau. Chúng tôi sử dụng độ tương đồng về cấu trúc (SSIM) là chỉ số đánh giá để chọn dữ liệu chuyển phong cách bảo toàn độ tương đồng về cấu trúc tốt nhất, cho phép các mô hình phát hiện học hiệu quả hơn các đặc điểm phân biệt của các vật thể ngụy trang. Các thử nghiệm mở rộng với các phương pháp chuyển phong cách HierarchyFlow, CycleGAN và ArtFlow cùng với ngưỡng SSIM phù hợp cho thấy phương pháp tăng cường của chúng tôi cải thiện đáng kể độ chính xác của các thuật toán phát hiện hiện đại Yolov8. Phương pháp này có tiềm năng cải thiện khả năng phát hiện đối tượng trong các hoạt động quân sự, tăng độ tin cậy và độ chính xác của các hệ thống giám sát tự động.
Tài liệu tham khảo
[1]. An, Jie, Siyu Huang, Yibing Song, Dejing Dou, Wei Liu and Jiebo Luo. “ArtFlow: Unbiased Image Style Transfer via Reversible Neural Flows.” 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR): 862-871, (2021). DOI: https://doi.org/10.1109/CVPR46437.2021.00092
[2]. Du, Siyu, Cuili Yao, Yuqiu Kong and Yicheng Yang. “BANet: Camouflaged Object De-tection Based on Boundary Guidance and Multiple Attention Mechanisms.” 2023 9th Annual International Conference on Network and Information Systems for Computers (ICNISC): 464-469, (2023). DOI: https://doi.org/10.1109/ICNISC60562.2023.00027
[3]. Eker, Thijs A., Friso G. Heslinga, Luca Ballan, Richard J. M. den Hollander and Klamer Schutte. “The effect of simulation variety on a deep learning-based military vehicle detector.” Security + Defence, (2023). DOI: https://doi.org/10.1117/12.2679808
[4]. Fan, Weichen, Jinghuan Chen and Ziwei Liu. “Hierarchy Flow For High-Fidelity Image-to-Image Translation.” ArXiv abs/2308.06909, (2023).
[5]. Guo, Chen, Fabian Benitez-Quiroz, Qianli Feng and Aleix M. Martínez. “Structural Similarity: When to Use Deep Generative Models on Imbalanced Image Dataset Aug-mentation”. (2023).
[6]. Huang, Bin, Ziyue Xu, Shing-Chow Chan, Zhong Liu, Huiying Wen, Chao Hou, Qicai Huang, Meiqin Jiang, Changfeng Dong, Jie Zeng, Ruhai Zou, Bin Huang, Xin Chen and Shuo Li. “A Style Transfer-Based Augmentation Framework for Improving Seg-mentation and Classification Performance Across Different Sources in Ultrasound Im-ages.” International Conference on Medical Image Computing and Computer-Assisted Intervention, (2023). DOI: https://doi.org/10.1007/978-3-031-43987-2_5
[7]. Huang, Xun and Serge J. Belongie. “Arbitrary Style Transfer in Real-Time with Adaptive Instance Normalization.” 2017 IEEE International Conference on Computer Vision (ICCV): 1510-1519, (2017). DOI: https://doi.org/10.1109/ICCV.2017.167
[8]. Hwang, Kyo-Seong and Jungmok Ma. “Military camouflaged object detection with deep learning using dataset development and combination.” The Journal of Defense Modeling and Simulation: Applications, Methodology, Technology (2024). DOI: https://doi.org/10.1177/15485129241233299
[9]. Kanchanadevi, st K. and G. K. Sandhia. “A Neural Style Transfer Network for Image Augmentation of Corn Leaves using Convoluvational Neural Netwok.” 2023 Interna-tional Conference on Integrated Intelligence and Communication Systems (ICIICS): 1-5, (2023). DOI: https://doi.org/10.1109/ICIICS59993.2023.10421717
[10]. Lee, Hyeongkeun, Kyungmin Lee, Hunmin Yang and Se-Yoon Oh. “Applying FastPhotoStyle to Synthetic Data for Military Vehicle Detection.” 2020 20th Interna-tional Conference on Control, Automation and Systems (ICCAS): 137-140, (2020). DOI: https://doi.org/10.23919/ICCAS50221.2020.9268331
[11]. Li, Yijun, Chen Fang, Jimei Yang, Zhaowen Wang, Xin Lu and Ming-Hsuan Yang. “Universal Style Transfer via Feature Transforms.” Neural Information Processing Systems (2017).
[12]. Liu, Mao Zhen and Xiaoguang Di. “Extraordinary MHNet: Military high-level camouflage object detection network and dataset.” Neurocomputing 549: 126466, (2023). DOI: https://doi.org/10.1016/j.neucom.2023.126466
[13]. Maruyama, Sho. “Properties of the SSIM metric in medical image assessment: corre-spondence between measurements and the spatial frequency spectrum.” Physical and Engineering Sciences in Medicine 46: 1131-1141 (2023). DOI: https://doi.org/10.1007/s13246-023-01280-1
[14]. Peng, Yiguo, Jianzhong Wang, Zibo Yu, Yu You and Yong Sun. “Camouflage soldier object detection network based on the attention mechanism and pyramidal feature shrinking.” Multimedia Tools and Applications, (2024). DOI: https://doi.org/10.1007/s11042-024-18618-w
[15]. Rao, Shuzhen, Jun Huang and Zengming Tang. “Exploiting Style Transfer-based Task Augmentation for Cross-Domain Few-Shot Learning.” ArXiv abs/2301.07927 (2023). DOI: https://doi.org/10.2139/ssrn.4424628
[16]. Raveendran, Ritin, Aviral Kumar Singh and M RajeshKumar. “Complex Wavelet SSIM based Image Data Augmentation.” ArXiv abs/2007.05853 (2020).
[17]. Wang, Zhou, Alan Conrad Bovik, Hamid R. Sheikh and Eero P. Simoncelli. “Image quality assessment: from error visibility to structural similarity.” IEEE Transactions on Image Processing 13: 600-612, (2004). DOI: https://doi.org/10.1109/TIP.2003.819861
[18]. Winderlich, Kristina, Clementine Dalelane and Andreas Walter. “Classification of syn-optic circulation patterns with a two-stage clustering algorithm using the structural similarity index metric (SSIM).” (2022). DOI: https://doi.org/10.5194/esd-2022-29
[19]. Yan, Zhancai and Liu Yaqiu. “Image confusion algorithm using adaptive threshold SSIM based on Contourlet transformation.” Australian Journal of Mechanical Engi-neering 16: 23 – 29, (2018). DOI: https://doi.org/10.1080/1448837X.2018.1545468
[20]. Zheng, Xu, Tejo Chalasani, Koustav Ghosal, Sebastian Lutz and Aljosa Smolic. “STaDA: Style Transfer as Data Augmentation.” VISIGRAPP (2019). DOI: https://doi.org/10.5220/0007353400002108
[21]. Zhou, Yubeibei, Jiulu Gong, Weijian Lu, Naiwei Gu, Kuiqi Chong and Zepeng Wang. “An Object Detection Algorithm for Military Vehicles Based on Image Style Transfer and Domain Adversarial Learning.” 2022 IEEE International Conference on Unmanned Systems (ICUS): 1059-1064, (2022). DOI: https://doi.org/10.1109/ICUS55513.2022.9987190
[22]. Zhu, Jun-Yan, Taesung Park, Phillip Isola and Alexei A. Efros. “Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks.” 2017 IEEE International Conference on Computer Vision (ICCV): 2242-2251, (2017). DOI: https://doi.org/10.1109/ICCV.2017.244
[23]. Yolov8 is available at https://github.com/ultralytics/ultralytics.
