Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine

Fig.1 Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine

IEEE Journal of Oceanic Engineering

Date of Publication: 18 May 2018

내용

일반적으로 MRF의 initial model은 k-means를 활용하는데, 소나 이미지의 노이즈로 인해 k-means classification에는 한계가 있어 extreme learning machine(ELM)을 활용한, 그 중에서도 asimpleensemble ELM(SE-ELM)을 MRF의 init. model로 사용한 연구이다.

SSS image segmentation:

Ref. [2]-[3]: supervised method

Ref. [4]-[5]: unsupervised method

Ref. [9]: MRF 사용

기본적으로는 k-means 사용하는 MRF는 연산시간 꽤 김, 이 연구에서 사용한 컴퓨터로는 [ 170 \times 270 ] 픽셀 데이터 연산에만 48.21초 걸렸다고 함

결과는 accuracy와 연산 시간으로 구분해 총 다섯 가지 방법, ELM, KELM, SVM, CNN, 그리고 제안하는 SE-ELM, 을 구분하였다.

생각

CNN의 경우 이미지 3개를 학습하는데, [ 3 \times 3 ] kernel size로 [130 \times 400], [70 \times 500], 그리고 [170 \times 270] 사이즈 이미지 3 개를 학습한다. 그런데 총 학습 샘플 수를 [ (130 - 3) \times (400 - 3) + ( 70 - 3) \times ( 500 - 3 ) + ( 170 - 3 ) \times ( 270 - 3 ) = 129832 ]라고 할 수 있는가?

뭐 결과의 accuracy가 높으니 신경쓰지 않아도 되나 싶긴 하다.

Todo

• 간단한 CNN 코드 짜두기

• Sonar data에 대해, ground truth data라고 할 만한 3-class data generation하는 방법 생각하기

---

참고문헌

Y. Song et al., “Segmentation of Sidescan Sonar Imagery Using Markov Random Fields and Extreme Learning Machine,” in IEEE Journal of Oceanic Engineering, vol. 44, no. 2, pp. 502-513, April 2019, doi: 10.1109/JOE.2018.2819278.