日前，中科院海洋所与天津大学合作，在国际上首次提出了深度学习技术在海洋遥感图像信息挖掘的未来发展前景的观点文章。文章发表在Science伙伴期刊Journal of Remote Sensing上。 在过去的几十年里，面向海洋研究的遥感卫星、传感器等信息采集方式越来越多。这为从大数据中挖掘信息带来了新的任务和挑战。近年来，深度学习技术的发展为解决大数据的信息挖掘需求提供了有力帮助。2020年，李晓峰领衔的人工智能海洋学团队证明了从海洋遥感图像中检索大部分信息可以使用现有的深度学习网络框架来完成，即用于语义分割的U-Net和用于目标检测的SSD (Single-shot Multibox Detect)。但随着研究的深度，现有的AI框架无法满足海洋信息挖掘的新需求，深度学习模型需要针对海洋遥感图像的特征进行针对性改进。 9 |9 X# A0 a8 ? Z' }6 y
0 o5 d. n6 A# o- e# B
) k. g! T% D" G% E; c% |2 V2 A
当前人工智能海洋学模型框架及模型改进指导示意图
1 u, ~3 r. M: d, J, B. C5 T4 _$ Q* j; u0 _% S1 |
文章提出，在下一步的深度学习海洋遥感图像模型的设计中，应从两个发展方向入手：* K' ^3 }$ ^" `& T9 p B5 Y* D g
一是深度学习模型的结构改进。在当前深度学习海洋遥感模型中加入各类注意力机制。注意机制强调全球和局部信息的结合，这也符合需要多尺度联合分析的海洋问题。
! I, k9 W) q2 s/ O3 T8 h( C二是建立基于领域知识(专家知识)指导的深度学习模型。通过海洋领域的理论知识可以降低输入数据维度的自由度，从而降低深度学习模型的训练难度。海洋领域知识可分为物理约束和时空数据处理方法。建立深度学习模型时使用多分支网络结构，可以将领域知识集成到模型中。
# p" C7 ?1 G }4 s1 J: F文章还提出，在未来的海洋遥感图像处理中，应将深度学习模型结构的先进性和领域知识 (专家知识)相结合。注意机制强调全局信息和局部信息的结合。海洋理论领域知识为深度学习模型提供了更准确的输入特征，降低输入数据维度的自由度。二者相互作用推动人工智能海洋学的发展。
$ D5 R5 X& u d( y" ]+ Z中科院海洋所李晓峰研究员为论文第一作者，王凡研究员为通信作者，合作者还包括天津大学周圆副教授。研究得到了中科院海洋大科学研究中心、中科院先导科技专项、山东省重大创新工程及国家自然科学基金项目等资助。 " T+ ~! M0 F0 A/ t- h1 S, t: e% q
& L+ v! i, v( j4 o& z2 U. m+ I
3 `4 Q! A" }6 n' w2 k文章信息：
. \% G* h, l- n( s1 q/ G# QXiaofeng Li, Yuan Zhou, Fan Wang, "Advanced Information Mining from Ocean Remote Sensing Imagery with Deep Learning", Journal of Remote Sensing, vol. 2022, Article ID 9849645, 4 pages, 2022. https://doi.org/10.34133/2022/9849645 / h+ _( p& c+ W2 E& Q7 V T, z
% \4 j3 F) v' Z该文章来源互联网，如有侵权请联系删除
1 D4 ^: Q6 K! b$ U查看原文：www.52ocean.cn |
2 ]/ \" T* \. A5 Q- {