2022-11-24
The 1$^{\text{st}}$ Workshop on Maritime Computer Vision (MaCVi) 2023 focused on maritime computer vision for Unmanned Aerial Vehicles (UAV) and Unmanned Surface Vehicle (USV), and organized several subchallenges in this domain: (i) UAV-based Maritime Object Detection, (ii) UAV-based Maritime Object Tracking, (iii) USV-based Maritime Obstacle Segmentation and (iv) USV-based Maritime Obstacle Detection. The subchallenges were based on the SeaDronesSee and MODS benchmarks. This report summarizes the main findings of the individual subchallenges and introduces a new benchmark, called SeaDronesSee Object Detection v2, which extends the previous benchmark by including more classes and footage. We provide statistical and qualitative analyses, and assess trends in the best-performing methodologies of over 130 submissions. The methods are summarized in the appendix. The datasets, evaluation code and the leaderboard are publicly available at https://seadronessee.cs.uni-tuebingen.de/macvi.
translated by 谷歌翻译
强大的海上障碍物检测对于安全导航自动船和及时避免碰撞至关重要。当前的最新技术基于在大型数据集上训练的深度分割网络。但是，此类数据集的每个像素地面真相标签是劳动密集型且昂贵的。我们提出了一个新的脚手架学习制度（SLR），该制度利用薄弱的注释，包括水边缘，地平线和障碍物边界框来训练基于细分的障碍物检测网络，从而将所需的地面真相标记工作减少了21倍。 SLR从弱注释中训练初始模型，然后在重新估计分割伪标签和改进网络参数之间交替。实验表明，在弱标签上使用SLR训练的海上障碍分割网络不仅匹配，而且优于接受密集地面真相标签的相同网络，这是一个了不起的结果。除了提高精度外，SLR还增加了域的概括，可用于较低的手动注释负载，用于域的适应性。代码和预培训模型可在https://github.com/lojzezust/slr上找到。
translated by 谷歌翻译
强大的海上障碍物检测对于完全自动的无人体表面车辆（USV）至关重要。目前广泛采用的基于细分的障碍检测方法容易分类对象反射和阳光作为障碍，从而产生许多假阳性检测，从而有效地使USV导航的方法不切实际。但是，对物体反射的水扰动引起的时间外观变化与真实物体的外观动力学非常独特。我们利用这一属性来设计wasr-t，这是一个新型的海上障碍检测网络，从最近的一系列框架中提取时间上下文，以减少歧义。通过学习水面上对象反射的局部时间特征，WASR-T可以在存在反射和闪光的情况下显着提高障碍物检测精度。与现有的单帧方法相比，WASR-T将假阳性检测的数量降低了41％，在船的危险区域内将超过53％的人降低了53％，同时保留了很高在具有挑战性的MODS海上障碍物检测基准上的艺术表现。代码，预处理的模型和扩展数据集可在https://github.com/lojzezust/wasr-t上获得
translated by 谷歌翻译