U-Net，一种原本用于医疗用途的卷积神经网络（CNN），有可能在海洋遥感领域掀起波澜

现代世界几乎没有问题不能通过技术和人工智能 (AI) 解决或帮助。在这种情况下，U-Net（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 U-Net 前景广阔，但它并不完美。该模型的一些关键改进可以在海洋遥感领域产生巨大的影响。

研究人员发表他们的发现在遥感学报2024 年 8 月。

U-Net 模型似乎具有足够好的结构，非常适合海洋学研究，但就目前的状态而言，它无法完全满足研究人员的需求。

为了解决 U-Net 转向海洋学研究所面临的挑战，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。

作者兼研究员王浩宇表示：“通过结构改进和新技术的引入，U-Net模型在小目标检测、预测精度和图像重建质量方面可以获得显着提升，进一步推动海洋遥感研究的发展。”。

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集成来完成。例如，让模型识别之间的差异开放水域海洋中的冰层是不可分割的，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预测结果的能力。先前使用 U-Net 模型进行海洋遥感的成功包括海冰预测网络 (SIPNet)，该网络可预测南极海冰浓度。

SIPNet（U-Net 模型）使用另一种形式的神经网络架构，称为“编码器-解码器”，它处理输入序列（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，但在本例中，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力模块 (TSAM) 相结合时，7 天预测的预测与实际测量之间的平均差异小于 3%，这展示了 U-Net 模型的准确性当装备齐全完成任务时。

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模糊或“噪声”。为了减少图像中的噪声，必须通过记录两种分辨率中观察到的相似性来识别高分辨率图像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 模型来混合高分辨率全色（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），并由 U- 重建。通过随机噪声网络。

U-Net 模型的进一步优化对于支持研究人员的长期目标是必要的。

该研究的研究员兼作者李晓峰表示：“U-Net模型简单易懂的网络架构和卓越的模型拟合能力赢得了海洋遥感界研究人员的欢迎，展示了巨大的潜力。”

除了研究人员建议在海洋研究中使用 U-Net 进行改进之外，通过将 U-Net 与其他系统或技术相结合，还可以进行大量探索，以进一步扩展该模型已经广泛的应用。

更多信息：王浩宇等人，拓展视野：海洋遥感语义分割、预测和超分辨率的 U-Net 增强，遥感学报（2024）。DOI：10.34133/遥感.0196

提供者：遥感学报