U-Net，一種原本用於醫療用途的捲積神經網路（CNN），有可能在海洋遙感領域掀起波瀾

現代世界幾乎沒有問題不能透過科技和人工智慧 (AI) 解決或幫助。在這種情況下，U-Net（一種用於從醫學影像中提取所需「物件」的工具）被視為海洋學研究的潛在手段。儘管 U-Net 前景廣闊，但它並不完美。該模型的一些關鍵改進可以在海洋遙感領域產生巨大的影響。

研究者發表他們的發現在遙感學報2024 年 8 月。

U-Net 模型似乎具有足夠好的結構，非常適合海洋學研究，但就目前的狀態而言，它無法完全滿足研究人員的需求。

為了解決 U-Net 轉向海洋學研究所面臨的挑戰，需要改進三個主要類別：模型的分割任務，或對影像中每個像素進行分類的能力、預測任務和超解析度任務。

作者兼研究員王浩宇表示：「透過結構改進和新技術的引入，U-Net模型在小目標檢測、預測精度和圖像重建質量方面可以獲得顯著提升，進一步推動海洋遙感研究的發展。」 。

改進語意分割可以提高U-Net偵測和辨識海洋中小目標的能力。這可以透過將模型與透過注意機制識別和識別遠處像素的能力整合來完成。例如，讓模型辨識之間的差異開放水域海洋中的冰層是不可分割的，U-Net 可以確定這種差異。

預測任務是指模型基於物理知識和資料驅動方法邏輯預測結果的能力。先前使用 U-Net 模型進行海洋遙感的成功包括海冰預測網路 (SIPNet)，可預測​​南極海冰濃度。

SIPNet（U-Net 模型）使用另一種形式的神經網路架構，稱為“編碼器-解碼器”，它處理輸入序列（編碼器），然後將其重建回原始形式（解碼器）。這通常用於總結或翻譯文本，但在本例中，SIPNet 使用 8 週的海冰濃度資料來預測接下來的 8 週。當編碼器-解碼器架構與時空注意力模組 (TSAM) 結合時，7 天預測的預測與實際測量之間的平均差異小於 3%，這展示了 U-Net 模型的準確性當裝備齊全完成任務時。

最後，針對超解析度任務提出的改進包括引入擴散模型以減少影像模糊或「雜訊」。為了減少影像中的噪聲，必須透過記錄兩種解析度中觀察到的相似性來識別高解析度影像和低解析度影像之間的相關性。這也包括改進模型從圖像中提取特徵的能力。

研究人員建議利用 PanDiff 模型來混合高解析度全色（對光譜中所有可見色彩敏感）和低解析度多光譜影像（透過紅外線和紫外線等光譜捕捉資料的影像），並由 U- 重建。噪音網路。

U-Net 模型的進一步最佳化對於支援研究人員的長期目標是必要的。

該研究的研究員兼作者李曉峰表示：“U-Net模型簡單易懂的網路架構和卓越的模型擬合能力贏得了海洋遙感界研究人員的歡迎，展示了巨大的潛力。”

除了研究人員建議在海洋研究中使用 U-Net 進行改進之外，透過將 U-Net 與其他系統或技術結合，還可以進行大量探索，以進一步擴展模型已經廣泛的應用。

更多資訊：王浩宇等人，拓展視野：海洋遙感語意分割、預測與超解析度的 U-Net 增強，遙感學報（2024）。DOI：10.34133/遙感.0196

提供者：遙感學報