Северные моря и корабли

Forwarded from Северный взгляд

Студент САФУ Матвей Караткевич предложил использовать современные нейронные сети для автоматической идентификации айсбергов на радиолокационных (РЛС) снимках. Радиолокация, в отличие от оптики, обеспечивает круглосуточный и всепогодный мониторинг, но не умеет сама по себе отличать отражение от айсберга, судна или волн на воде. Матвей заметил, что глубокие свёрточные модели способны «выучить» тонкие особенности каждого объекта — контрастность и форму судна, текстуру льда и характерные шумы, свойственные ледовым массам.

Для детектирования Матвей предлагает использовать современные архитектуры семейства YOLO (v5–v8), которые отличаются высокой скоростью работы и малой вычислительной нагрузкой. При необходимости точной сегментации контура айсберга можно подключать U-Net-подобные решения или Mask R-CNN. Особое внимание уделено проблеме ограниченного объёма размеченных данных: большинство коммерческих РЛС-снимков платные, а бесплатных репрезентативных наборов мало. Чтобы решить эту задачу, Матвей рекомендует обширную аугментацию — добавление гауссова или спекл-шума, геометрические преобразования (повороты, отражения, обрезки), а также приём CutMix или Mosaic. Кроме того, он советует использовать transfer learning: дообучать модели, предобученные на открытых SAR-датасетах вроде Sentinel-1.

В качестве источников данных можно привлекать бесплатные архивы миссии Copernicus (Sentinel-1), RADARSAT Open Data и NOAA. В сочетании с правильно организованной разметкой (например, с помощью CVAT или LabelImg) и сбалансированными метками кораблей и айсбергов это позволит получить надёжный набор для тренировки. Внедрение такой системы поможет повысить безопасность судоходства в Арктике, где из-за глобального потепления количество айсбергов растёт, а интенсивность морских перевозок увеличивается.

www.group-telegram.com/us/NorthMeasurement.com/5568

389 viewsJun 3 at 09:18

Студент САФУ Матвей Караткевич предложил использовать современные нейронные сети для автоматической идентификации айсбергов на радиолокационных (РЛС) снимках. Радиолокация, в отличие от оптики, обеспечивает круглосуточный и всепогодный мониторинг, но не умеет сама по себе отличать отражение от айсберга, судна или волн на воде. Матвей заметил, что глубокие свёрточные модели способны «выучить» тонкие особенности каждого объекта — контрастность и форму судна, текстуру льда и характерные шумы, свойственные ледовым массам.

Для детектирования Матвей предлагает использовать современные архитектуры семейства YOLO (v5–v8), которые отличаются высокой скоростью работы и малой вычислительной нагрузкой. При необходимости точной сегментации контура айсберга можно подключать U-Net-подобные решения или Mask R-CNN. Особое внимание уделено проблеме ограниченного объёма размеченных данных: большинство коммерческих РЛС-снимков платные, а бесплатных репрезентативных наборов мало. Чтобы решить эту задачу, Матвей рекомендует обширную аугментацию — добавление гауссова или спекл-шума, геометрические преобразования (повороты, отражения, обрезки), а также приём CutMix или Mosaic. Кроме того, он советует использовать transfer learning: дообучать модели, предобученные на открытых SAR-датасетах вроде Sentinel-1.

В качестве источников данных можно привлекать бесплатные архивы миссии Copernicus (Sentinel-1), RADARSAT Open Data и NOAA. В сочетании с правильно организованной разметкой (например, с помощью CVAT или LabelImg) и сбалансированными метками кораблей и айсбергов это позволит получить надёжный набор для тренировки. Внедрение такой системы поможет повысить безопасность судоходства в Арктике, где из-за глобального потепления количество айсбергов растёт, а интенсивность морских перевозок увеличивается.

BY Северные моря и корабли