МУЛЬТИМОДАЛЬНІ МЕТОДИ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ У ПІДВОДНОМУ СЕРЕДОВИЩІ
DOI:
https://doi.org/10.36074/grail-of-science.20.02.2026.121Summary
Розпізнавання об’єктів у підводному середовищі супроводжується низкою фундаментальних проблем, зумовлених фізичними властивостями води та специфікою підводної зйомки. Ці чинники обмежують застосовність стандартних методів комп’ютерного зору без їх цільової адаптації. З точки зору машинного навчання додатковим обмеженням є висока варіативність підводних умов і обмежена доступність розмічених даних. Підводні зображення істотно відрізняються залежно від глибини, прозорості води, типу освітлення та географічного регіону.
Downloads
Downloads
References
Li, J., Liu, Z., Chen, Y., & Wang, Y. (2022). Rethinking general underwater object detection: Datasets, challenges and solutions. Neurocomputing, 491, 144–160. https://doi.org/10.1016/j.neucom.2022.03.067 DOI: https://doi.org/10.1016/j.neucom.2022.03.067
Islam, M. J., Xia, Y., & Sattar, J. (2021). Detecting underwater objects: A benchmark and dataset (DUO). arXiv preprint, arXiv:2106.05681. https://arxiv.org/abs/2106.05681
Hurtós, N., Cufí, X., Petillot, Y., & Salvi, J. (2017). Deep learning for forward-looking sonar image recognition. arXiv preprint, arXiv:1709.02601. https://arxiv.org/abs/1709.02601
Reed, S., Hunter, A., & Petillot, Y. (2018). Automatic target recognition on synthetic aperture sonar imagery using deep learning. IET Radar, Sonar & Navigation, 12(6), 1281–1289. https://doi.org/10.1049/iet-rsn.2017.0451
Li, Y., Wang, S., Zhao, J., & Xu, H. (2023). Underwater acoustic–optical fusion detection using deep learning. Journal of Field Robotics, 40(6), 1285–1302. https://doi.org/10.1002/rob.22432 DOI: https://doi.org/10.1002/rob.22432
Negahdaripour, S., Firoozfam, P., & Sabzmeydani, P. (2020). Multimodal optical–acoustic sensor fusion for underwater object detection. Robotics and Autonomous Systems, 124, 103392. https://doi.org/10.1016/j.robot.2019.103392 DOI: https://doi.org/10.1016/j.robot.2019.103392