IceHorizon: A Dataset for Horizon Detection in Ice-Covered Maritime Environments and Comparative Evaluation of Detection Methods

Stel je voor dat je de kapitein van een schip bent, of misschien een piloot die een drone bestuurt, terwijl je probeert te navigeren door een wereld die eruitziet als een gigantische, bevroren spiegel. In dit ijzige rijk zijn de lucht en de oceaan niet twee verschillende kleuren; ze zijn beide een verblindend, schitterend wit. Het vinden van de "horizon"—die onzichtbare lijn waar de lucht de zee ontmoet—is als het proberen te spotten van een spook in een sneeuwstorm. Als je die lijn niet kunt vinden, kan je schip gevaarlijk kantelen, kan je camera duizelig worden en kan je navigatiesysteem de weg kwijtraken. Dit is het lastige puzzelstukje van "horizon detectie" in ijswateren. Wetenschappers gebruiken speciale computertrucs om dit probleem op te lossen: sommigen zijn als ouderwetse detectives die zoeken naar scherpe randen en lijnen, terwijl anderen als moderne kunstenaars zijn die hebben geleerd om het verschil tussen water en lucht te "zien" door duizenden foto's te bestuderen. Maar tot nu toe waren de meeste van deze computertrucs getraind op zonnige, open oceanen, waardoor ze verward en onhandig werden wanneer ze geconfronteerd werden met de chaotische reflecties van het ijs.

Dit artikel, getiteld "IceHorizon", stapt in deze ijzige verwarring om te zien welke computermonitor de beste is in het vinden van de horizon in het ijs. De onderzoekers bouwden een gloednieuwe bibliotheek van 38 video's, gefilmd vanaf zowel schepen als drones, die precies laten zien hoe het eruitziet om door ijswaters te varen. Vervolgens zetten ze zes verschillende computermethoden op de proef: vier die gebruikmaken van klassieke, op regels gebaseerde wiskunde (de ouderwetse detectives) en twee die deep learning combineren met die regels (de hybride kunstenaars). Ze maten hoe dicht de gok van de computer bij de echte horizon lag, hoeveel van de horizon de computer kon zien, en hoe snel het werkte.

De resultaten waren een duidelijke overwinning voor de "hybride" methoden. Wanneer de computer probeerde de horizon te vinden op de scheepsvideo's, waren de hybride benaderingen tot wel 3,5 keer nauwkeuriger dan de beste van de ouderwetse methoden. Zelfs op de dronevideo's, die veel moeilijker waren, waren de hybriden 1,6 keer beter. De ouderwetse methoden, hoewel zeer snel, raakten vaak de weg kwijt in de schittering van het ijs of de reflectie van de golven, waardoor ze de horizon soms volledig misten of deze op de verkeerde plek tekenden. De hybride methoden waren echter als het hebben van een gids die weet hoe ijs eruitziet; ze konden de verwarrende reflecties negeren en de ware lijn vinden. Interessant genoeg presteerde elke methode beter op de scheepsvideo's dan op de dronevideo's. De dronebeelden waren simpelweg te chaotisch, met mist, bergen en vreemd gekromde horizonten die zelfs de slimste algoritmen in verwarring brachten. Het artikel concludeert dat, hoewel we nog steeds meer data nodig hebben om deze systemen perfect te maken voor vluchten op grote hoogte met drones, het combineren van deep learning met klassieke lijndetectie momenteel de meest betrouwbare manier is om onze schepen en drones stabiel te houden in het bevroren noorden.