增强海洋遥感 AI 模型 U-Net
U-Net 是一种卷积神经网络 (CNN)，原本用于医疗用途，有望在海洋遥感领域掀起波澜在我们现代世界中，很少有问题是技术和人工智能 (AI) 无法解决或帮助的。在这种情况下，U-Net 是一种用于从医学图像中提取所需“对象”的工具，被视为海洋学研究的潜在手段。尽管前景光明，但 U-Net 并不完美。在海洋遥感领域，模型中的一些关键改进可以带来巨大的变化。
研究人员于 2024 年 8 月在《遥感杂志》上发表了他们的研究成果。
U-Net 模型似乎具有足够好的结构，可以成为海洋学研究的良好候选模型，但就目前而言，它还不能完全满足研究人员的需求。
为了解决 U-Net 在转向海洋学研究时面临的挑战，需要改进三个主要类别：模型的分割任务，或对图像中每个像素进行分类的能力、预测任务和超分辨率任务。
“通过结构改进和新技术的引入，U-Net模型可以在小目标检测、预测精度和图像重建质量方面获得显著提升，进一步推动海洋遥感研究的发展。”论文作者、研究员王浩宇说。
改进语义分割可以提高 U-Net 检测和识别海洋中小目标的能力。这可以通过将模型与通过注意机制识别和识别远处像素的能力相结合来实现。例如，让模型识别海洋中开放水域和冰层之间的差异是不可或缺的，而 U-Net 可以确定这种差异。
预测任务是指模型基于物理知识和数据驱动方法逻辑地预测结果的能力。之前使用 U-Net 模型进行海洋遥感的成功案例包括海冰预测网络 (SIPNet)，该网络可以预测南极海冰浓度。
U-Net 模型 SIPNet 使用了另一种形式的神经网络架构，称为“编码器-解码器”，该架构处理输入序列（编码器），然后将其重建回原始形式（解码器）。这通常用于总结或翻译文本，但在这种情况下，SIPNet 使用 8 周的海冰浓度数据来预测接下来的 8 周。当编码器-解码器架构与时空注意模块 (TSAM) 结合使用时，7 天预测的预测值与实际测量值之间的平均差异小于 3%，展示了 U-Net 模型在完全胜任这项任务时可以达到的准确性。
最后，针对超分辨率任务提出的改进包括引入扩散模型以减少图像中的模糊或“噪声”。为了减少图像中的噪声，必须通过注意两种分辨率中观察到的相似性来确定高分辨率和低分辨率图像之间的相关性。这还包括改进模型从图像中提取特征的能力。
研究人员建议利用 PanDiff 模型将高分辨率全色图像（对光谱中所有可见颜色敏感）和低分辨率多光谱图像（通过红外和紫外等光谱捕获数据的图像）混合，然后通过随机噪声由 U-Net 重建。
需要进一步优化 U-Net 模型，以长期支持研究人员的目标。
该研究的研究员兼作者李晓峰说：“U-Net 模型简单易懂的网络架构和卓越的模型拟合能力，获得了海洋遥感界研究人员的最多欢迎，展现出巨大的潜力。”
除了研究人员建议对 U-Net 在海洋研究中的应用进行改进之外，还可以通过将 U-Net 与其他系统或技术相结合来进行大量探索，以进一步扩展该模型的广泛应用。
页:
[1]