Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Machine Learning for Inferring Depth from Side-scan Sonar Images
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Underwater navigation using Autonomous Underwater Vehicles (AUVs), which is significant for marine science research, highly depends on the acoustic method, sonar. Typically, AUVsare equipped with side-scan sonars and multibeam sonars at the same time since they both have their advantages and limitations. Side-scan sonars have a much wider range than multibeamsonars and at the same time are much cheaper, yet they could not provide accurate depth measurements. This thesis is aiming at investigating if a machine-interpreted method could beused to translate side-scan sonar data to multibeam data with high accuracy so that underwater navigation could be done by AUVs equipped only with side-scan sonars.

The approaches considered in this thesis are based on Machine Learning methods, including generative models and discriminative models. The objective of this thesis is to investigate the feasibility of machine learning based models to infer the depth based on side-scan sonar images. Different models, including regression and Generative Adversarial Networks, are tested and compared. Different CNN based architectures such as U-Net and ResNet are tested andcompared as well. As an experiment trial, this project has already shown the ability and great potential of machine learning based methods extracting latent representations from side-scansonars and inferring the depth with reasonable accuracy. Further improvement could be madeto improve the performance and stability to be potentially verified on the AUV platforms inreal-time.

Abstract [sv]

Undervattensnavigering med autonoma undervattensfordon (AUV från engelskans Autonomous Underwater Vehicle), är betydelsefull för marinvetenskaplig forskning, och beror starkt på vilken typ av sonar som används. Vanligtvis är AUV:er utrustade med både sidescansonar och multibeamsonar eftersom båda har sina fördelar och begränsningar. Sidescansonar har större omfång än multibeam-sonar och är samtidigt mycket billigare, men kan inte ge exakta mätningar av djupet. Detta examensarbete syftar till att undersöka om maskininlärningsmetoder skulle kunna användas för att översätta sidescandata till multibeamdata med hög noggrannhet så att undervattensnavigering skulle kunna göras av AUV:er utrustade endast med sidescansonar.

Tillvägagångssättet i examensarbetet är baserat på olika maskininlärningsmetoder, däribland generativa modeller och diskriminerande modeller. Syftet är att undersöka om olika maskininlärningsbaserade modeller kan dra slutsatser om havsdjupet baserat endast på sidescandata. De modeller som testas och jämförs inkluderar regression och generativa adversativt nätverk. Även olika CNN-baserade arkitekturer som U-Net och ResNet testas och jämförs. Som ett experimentförsök har detta projekt redan visat förmågan och den stora potentialen för maskininlärningsbaserade metoder som extraherar latenta representationer från sidescansonar och kan estimera djupet med en rimlig noggrannhet. Ytterligare förbättringar skulle kunna göras för att förbättra prestanda och stabilitet som potentiellt kan verifieras på AUV-plattformar i realtid.

Place, publisher, year, edition, pages
2019. , p. 62
Series
TRITA-EECS-EX ; 2019:613
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-264835OAI: oai:DiVA.org:kth-264835DiVA, id: diva2:1375016
Supervisors
Examiners
Available from: 2019-12-03 Created: 2019-12-03 Last updated: 2019-12-03Bibliographically approved

Open Access in DiVA

fulltext(27155 kB)2 downloads
File information
File name FULLTEXT01.pdfFile size 27155 kBChecksum SHA-512
5711333351c735b4d1fe392f5025282a9ea3a07c26c49e47c0194b4e3079b4b460d2948a372b00533bf5b357cd24b88733f67d239913b8630090b34ff69a4b6c
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 2 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 4 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf