Investigating training datasets of real and synthetic images for swimmer localisation with YOLO

Abstrakt

In diesem Beitrag entwickeln und erforschen wir eine methodische Pipeline für die Lokalisierung von Schwimmern in Außenbereichen. Der entwickelte Rahmen soll zur Verbesserung der Sicherheit von Schwimmern eingesetzt werden. Ein Hauptproblem, das wir mit dem vorgeschlagenen Ansatz angehen, ist der Mangel an realen Trainingsdaten in solchen Außenumgebungen. Natürliche Lichtveränderungen, dynamische Wassertexturen und möglicherweise kaum sichtbare schwimmende Personen sind Schlüsselelemente, die es zu berücksichtigen gilt. Wir tragen diesen Schwierigkeiten Rechnung, indem wir eine effektive Technik zur Hintergrundentfernung mit den verfügbaren Trainingsdaten anwenden. So können wir Schwimmer in natürliche Umgebungshintergründe einfügen, um sie anschließend für die Bildvergrößerung zu verwenden. Wir haben 17 Trainingsdatensätze mit realen Bildern, synthetischen Bildern und einer Mischung aus beidem erstellt, um verschiedene Aspekte und Eigenschaften des vorgeschlagenen Ansatzes zu untersuchen. Die Datensätze werden verwendet, um eine YOLO-Architektur für die mögliche zukünftige Anwendung in der Echtzeit-Erkennung zu trainieren. Der trainierte Rahmen wird dann an Außenaufnahmen einer Sicherheitsdrohne getestet und bewertet, um die Nützlichkeit für die Lokalisierung von Schwimmern im Freien zu untersuchen und zu bestätigen.