Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Inferring Depth Contours from Sidescan Sonar using Convolutional Neural Nets
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Robotik, perception och lärande, RPL.ORCID-id: 0000-0001-8387-9951
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Robotik, perception och lärande, RPL.ORCID-id: 0000-0003-1189-6634
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Robotik, perception och lärande, RPL.ORCID-id: 0000-0002-7796-1438
2020 (engelsk)Inngår i: IET radar, sonar & navigation, ISSN 1751-8784, E-ISSN 1751-8792, Vol. 14, nr 2, s. 328-334Artikkel i tidsskrift (Fagfellevurdert) Published
Abstract [en]

Sidescan sonar images are 2D representations of the seabed. The pixel location encodes distance from the sonar and along track coordinate. Thus one dimension is lacking for generating bathymetric maps from sidescan. The intensities of the return signals do, however, contain some information about this missing dimension. Just as shading gives clues to depth in camera images, these intensities can be used to estimate bathymetric profiles. The authors investigate the feasibility of using data driven methods to do this estimation. They include quantitative evaluations of two pixel-to-pixel convolutional neural networks trained as standard regression networks and using conditional generative adversarial network loss functions. Some interesting conclusions are presented as to when to use each training method.

sted, utgiver, år, opplag, sider
2020. Vol. 14, nr 2, s. 328-334
Emneord [en]
learning (artificial intelligence); sonar; image sensors; regression analysis; geophysical image processing; neural nets; sonar imaging; bathymetry
HSV kategori
Forskningsprogram
Farkostteknik; Datalogi
Identifikatorer
URN: urn:nbn:se:kth:diva-268890DOI: 10.1049/iet-rsn.2019.0428ISI: 000515803200018Scopus ID: 2-s2.0-85079757786OAI: oai:DiVA.org:kth-268890DiVA, id: diva2:1395939
Prosjekter
SMaRC
Merknad

QC 20200226

Tilgjengelig fra: 2020-02-24 Laget: 2020-02-24 Sist oppdatert: 2020-03-16bibliografisk kontrollert

Open Access i DiVA

fulltext(2045 kB)34 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 2045 kBChecksum SHA-512
642e74f80ffa90d60293df5425ef5e3ea02efc23b15c7e23d25d817d089c7f21ab95be4a2d34a7d679a56d0e5a181411a5a2368300d8353ae1409c5c9fe7a898
Type fulltextMimetype application/pdf

Andre lenker

Forlagets fulltekstScopus

Personposter BETA

Xie, YipingBore, NilsFolkesson, John

Søk i DiVA

Av forfatter/redaktør
Xie, YipingBore, NilsFolkesson, John
Av organisasjonen
I samme tidsskrift
IET radar, sonar & navigation

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 34 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

doi
urn-nbn

Altmetric

doi
urn-nbn
Totalt: 59 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf