• acoustic image segmentation
• convolutional neural networks
• side-scan sonar
• underwater robotics

La segmentazione automatica delle immagini sonar rappresenta un obiettivo rilevante per la caratterizzazione del fondale marino, ma la sua diffusione è frenata dalla scarsità di dataset acustici etichettati. Al contrario, nel dominio ottico le tecniche di deep learning hanno conosciuto un rapido sviluppo proprio grazie all'ampia disponibilità di dati annotati.

In questo lavoro viene proposto un metodo sistematico per la creazione di dataset acustici etichettati, sfruttando la co-acquisizione di dati ottici e sonar a bordo di un AUV. L'approccio prevede la mosaicizzazione ottica e acustica, la loro sovrapposizione in un sistema di riferimento comune e il successivo trasferimento delle etichette dalle immagini ottiche segmentate alle corrispondenti acquisizioni sonar.

Il risultato è un insieme di sequenze acustiche etichettate bin per bin, che costituisce la base per l'addestramento supervisionato di reti neurali. A titolo dimostrativo, il lavoro include l'addestramento di una rete 1D-UNet per la segmentazione dei singoli beam sonar in tre classi di interesse (posidonia viva, posidonia morta e sabbia).

Questo metodo fornisce una strategia replicabile per colmare la carenza di ground truth acustico e apre la strada all'applicazione su larga scala di tecniche di segmentazione basate su deep learning anche nel dominio sonar.