Résumé
Tento článek popisuje článek pro automatickou detekci, klasifikaci a segmentací substrátů korálů na snímcích pořízených pod vodou. Navržený systém dosáhl nejlepších výsledků v obou úlohách druhé edice soutěže ImeCLEFcoral. Konkrétně hodnoty mAP@0.5 0.482 v případě anotace a lokalizace. Dále pak mAP@0.5 0.678 v úloze klasifikace na úrovni pixelů. Systém byl postaven na základě metody Mask R-CNN s zlepšené pomocí pokročilých trénovacích strategií, pseudo-labelingem, test-time augmentacemi a normalizací akumulovaných gradientů. Z důvodu podpory dalšího výzkumu v této oblasti byl kód zveřejněn na https://github.com/picekl/ImageCLEF2020-DrawnUI.
This article describes an automatic system for detection, classification and segmentation of individual coral substrates in underwater images. The proposed system achieved the best performances in both tasks of the second edition of the ImageCLEFcoral competition. Specifically, mean average precision with Intersection over Union (IoU) greater then 0.5 (mAP@0.5) of 0.582 in case of Coral reef image annotation and localisation, and mAP@0.5 of 0.678 in Coral reef image pixel-wise parsing. The system is based on Mask R-CNN object detection and instance segmentation framework boosted by advanced training strategies, pseudo-labeling, test-time augmentations, and Accumulated Gradient Normalisation. To support future research, code has been made available at: https://github.com/picekl/ImageCLEF2020-DrawnUI.