Cristin-resultat-ID: 1831733
Sist endret: 21. september 2020, 14:41
Resultat
Mastergradsoppgave
2020

Object detection and instance segmentation of planktonic organisms using Mask R-CNN for real-time in-situ image processing

Bidragsytere:
  • Sondre Bergum

Utgiver/serie

Utgiver

Fakultet for informasjonsteknologi og elektroteknikk, Institutt for teknisk kybernetikk

Om resultatet

Mastergradsoppgave
Publiseringsår: 2020
Antall sider: 97

Klassifisering

Vitenskapsdisipliner

Matematikk og naturvitenskap

Emneord

Deep learning • Maskinlæring • Mask r cnn

Fagfelt (NPI)

Fagfelt: Elektronikk og kybernetikk
- Fagområde: Realfag og teknologi

Beskrivelse Beskrivelse

Tittel

Object detection and instance segmentation of planktonic organisms using Mask R-CNN for real-time in-situ image processing

Sammendrag

This thesis is an investigation of recent state-of-the-art methods and architectures for segmentation[61,39,38,78,49] using Facebook Artificial Intelligence Research’s(FAIR) software framework Detectron2’s[77] implementation of Mask R-CNN[39]. We validate the method’s results through experiments over the MS COCO[48] dataset as reported by He et al., and we conduct our own training and evaluation of several different configurations of the method on our own data. For this we provide a novel custom dataset[14] from planktonic images captured in-situ[60] in a lab environment suited for object detection and instance segmentation. We provide results, trained models, and the code necessary to embed a module of the Mask R-CNN implementation into existing in-situ imaging systems. Our results show that the method performs excellently in terms of accuracy while having a low enough computational overhead to operate in real-time in-situ. Code and miscellaneous files have been made available at: https://github.com/AILARON/Segmentation

Tittel

Objektdeteksjon og instansiertsegmentering av planktoniske organismer ved bruk av Mask R-CNN for sanntids in-situ bildebehandling

Sammendrag

Denne oppgaven er en undersøkelse av nylig presenterte state-of-the-art metoder og nettverksarkitekturer for bildesegmentering[61,39,38,78,49] ved bruk av FacebookArtificial Intelligence Research (FAIR) sitt software rammeverk, Detectron2 sin im-plementasjon av Mask R-CNN[39]. Vi bekrefter resultatene fra metoden presentert av He et al. gjennom våre egne eksperimenter utført på MS COCO[48] datasettet. Vi utfører også vår egen trening og evaluering av flere forskjellige konfigurasjoner av metoden på egen data. For dette tilfører vi et nytt, egen produsert, annotert datasett[14]bestående av plankton bilder tatt in-situ[60] i lab-omgivelser, som egner seg for objekt deteksjon og instansiert segmentering. Vi oppgir resultater, ferdig trente modellerog kode nødvendig for å innlemme en modul av Mask R-CNN implementasjonen i eksisterende in-situ avbildningssystermer. Resultatene våre viser at metoden utføreroppgaven med strålende nøyaktighet samtidig som at operasjonstiden er lav nok til åprosessere data i sanntid in-situ. Kode og andre filer er tilgjengeliggjort ved: https://github.com/AILARON/Segmentation

Bidragsytere

Sondre Bergum

  • Tilknyttet:
    Forfatter
    ved Institutt for teknisk kybernetikk ved Norges teknisk-naturvitenskapelige universitet

Annette Stahl

  • Tilknyttet:
    Veileder
    ved Institutt for teknisk kybernetikk ved Norges teknisk-naturvitenskapelige universitet

Aya Saad

  • Tilknyttet:
    Veileder
    ved Institutt for teknisk kybernetikk ved Norges teknisk-naturvitenskapelige universitet
1 - 3 av 3