Erzeugung von synthetischen Seitensichtsonar-Bildern mittels Generative Adversarial Networks
Für die Anwendung von Deep-Learning-Methoden zur automatischen Auswertung von Daten bildgebender Sonare stellt die nicht vorhandene Verfügbarkeit größerer Trainingsdatenmengen nach wie vor ein Problem dar. In den letzten Jahren wurden jedoch sogenannte Generative Adversarial Networks (GAN) als ein Werkzeug aus dem Bereich Deep Learning für die Erzeugung synthetischer Daten entwickelt. In dieser Arbeit wird untersucht, inwieweit sich GANs zur Erzeugung künstlicher Sonarbilder eignen. Um das GAN auch mit wenigen Beispielen trainieren zu können, wird eine Art des Transfer-Lernens mit Hilfe von einfachen simulierten Bildern entwickelt. Es zeigt sich, dass die Performance eines Klassifikators durch Hinzunahme der künstlichen Bilder gesteigert werden kann.
Seitensichtsonar | Autonomes Unter-Wasser-Fahrzeug | Deep Learning | generative Netzwerke | Transfer-Lernen
A remaining problem is the lack of large-scale sonar image data sets when applying deep learning algorithms for the automatic analysis of these data. However, over the past few years, generative adversarial networks (GAN) where developed as a tool for generating synthetic data. This work investigates how GANs can be used to generate synthetic sonar images. In order to train the GAN with only a few available samples, a transfer-learning approach is applied which uses simple simulated images. Using the additional synthetic sonar images, the performance of a classifier can be increased.
side-scan sonar | autonomous underwater vehicle | deep learning | generative adversarial network | transfer-learning
