U-Net, una red neuronal convolucional (CNN) originalmente destinada a uso médico, puede potencialmente generar olas en el campo de la teledetección oceánica

Pocas veces hay un problema en nuestro mundo moderno que no pueda resolverse o solucionarse mediante la tecnología y la inteligencia artificial (IA).En este caso, U-Net, una herramienta utilizada para extraer un "objeto" deseado de una imagen médica, se considera un medio potencial de investigación oceanográfica.Aunque es prometedor, U-Net no es perfecto.Algunas mejoras clave en el modelo pueden marcar una gran diferencia en lo que respecta al campo de la teledetección oceánica.

Investigadorespublicadosus hallazgos en elRevista de teledetecciónen agosto de 2024.

El modelo U-Net parece tener una estructura lo suficientemente buena como para ser un buen candidato para la investigación oceanográfica, pero en su estado actual no es capaz de satisfacer completamente las necesidades de los investigadores.

Para resolver los desafíos que enfrenta U-Net al pasar a la investigación oceanográfica, es necesario mejorar tres categorías principales: las tareas de segmentación del modelo o la capacidad de categorizar cada píxel en una imagen, las tareas de pronóstico y las tareas de superresolución.

"A través de la mejora estructural y la introducción de nuevas técnicas, el modelo U-Net puede obtener mejoras significativas en la detección de objetivos pequeños, la precisión de la predicción y la calidad de la reconstrucción de imágenes, promoviendo aún más el desarrollo de la investigación de teledetección oceánica", dijo Haoyu Wang, autor e investigador..

Mejorar la segmentación semántica puede mejorar la capacidad de U-Net para detectar e identificar pequeños objetivos en el océano.Esto se puede hacer integrando el modelo con la capacidad de reconocer e identificar píxeles a distancia mediante mecanismos de atención.Por ejemplo, lograr que el modelo reconozca la diferencia entreaguas abiertasy las formaciones de hielo en el océano son integrales, y U-Net puede determinar esta diferencia.

Las tareas de pronóstico se refieren a la capacidad del modelo para predecir lógicamente un resultado basado en conocimiento físico y métodos basados ​​en datos.Los éxitos anteriores que utilizaron el modelo U-Net para la teledetección oceánica incluyen la Red de Predicción del Hielo Marino (SIPNet), que predice la concentración de hielo marino de la Antártida.

SIPNet, el modelo U-Net, utilizó otra forma de arquitectura de red neuronal conocida como "codificador-decodificador" que procesa una secuencia de entrada (codificador) para luego reconstruirla a la forma original (decodificador).Esto se utiliza a menudo para resumir o traducir texto, pero en este caso, SIPNet utilizó 8 semanas de datos sobre la concentración de hielo marino para pronosticar las 8 semanas siguientes.Cuando la arquitectura codificador-decodificador se combinó con un módulo de atención temporal-espacial (TSAM), la diferencia promedio entre la predicción y la medición real fue inferior al 3 % para un pronóstico de 7 días, lo que demuestra la precisión que pueden tener los modelos U-Net.cuando esté completamente equipado para la tarea.

Por último, las mejoras sugeridas para tareas de superresolución incluyen la introducción de un modelo de difusión para reducir la borrosidad o el "ruido" de las imágenes.Para reducir el ruido en las imágenes, es necesario identificar la correlación entre imágenes de alta y baja resolución tomando nota de las similitudes observadas en ambas resoluciones.Esto también incluye realizar mejoras en la capacidad del modelo para extraer características de las imágenes.

Los investigadores sugieren utilizar un modelo, PanDiff, para combinar imágenes pancromáticas de alta resolución (sensibles a todos los colores visibles en el espectro) y multiespectrales de baja resolución (imágenes que capturan datos a través de espectros como el infrarrojo y el ultravioleta) para ser reconstruidas por U-Net a través del ruido aleatorio.

Es necesaria una mayor optimización del modelo U-Net para respaldar los objetivos de los investigadores a largo plazo.

"La arquitectura de red sencilla y comprensible del modelo U-Net y sus capacidades superiores de ajuste del modelo han obtenido la mayor popularidad entre los investigadores de la comunidad de teledetección oceánica, lo que demuestra un gran potencial", dijo Xiaofeng Li, investigador y autor del estudio.

Además de las mejoras que los investigadores sugieren para el uso de U-Net en la investigación oceánica, queda mucho por explorar combinando U-Net con otros sistemas o técnicas para ampliar aún más una aplicación ya amplia del modelo.

Más información:Haoyu Wang et al, Expanding Horizons: U-Net Enhancements for Semantic Segmentation, Forecasting, and Super-Resolution in Ocean Remote Sensing,Revista de teledetección(2024).DOI: 10.34133/detección remota.0196

Proporcionado porRevista de teledetección