海洋所針對海洋遙感圖像深度學習模型發(fā)展提出前瞻意見
日前,中科院海洋所李曉峰、王凡,天津大學周圓合作在國際上首次提出了深度學習技術在海洋遙感圖像信息挖掘的未來發(fā)展前景的觀點文章。文章發(fā)表在Science伙伴期刊Journal of Remote Sensing上。
在過去的幾十年里,面向海洋研究的遙感衛(wèi)星、傳感器等信息采集方式越來越多。這為從大數(shù)據(jù)中挖掘信息帶來了新的任務和挑戰(zhàn)。近年來,深度學習技術的發(fā)展為解決大數(shù)據(jù)的信息挖掘需求提供了有力幫助。2020年,李曉峰領銜的人工智能海洋學團隊證明了從海洋遙感圖像中檢索大部分信息可以使用現(xiàn)有的深度學習網(wǎng)絡框架來完成,即用于語義分割的U-Net和用于目標檢測的SSD (Single-shot Multibox Detect)。但隨著研究的深度,現(xiàn)有的AI框架無法滿足海洋信息挖掘的新需求,深度學習模型需要針對海洋遙感圖像的特征進行針對性改進。

當前人工智能海洋學模型框架及模型改進指導示意圖
文章提出,在下一步的深度學習海洋遙感圖像模型的設計中,應從兩個發(fā)展方向入手:一是深度學習模型的結構改進,在當前深度學習海洋遙感模型中加入各類注意力機制。注意機制強調(diào)全球和局部信息的結合,這也符合需要多尺度聯(lián)合分析的海洋問題;二是建立基于領域知識(專家知識)指導的深度學習模型,通過海洋領域的理論知識可以降低輸入數(shù)據(jù)維度的自由度,從而降低深度學習模型的訓練難度,海洋領域知識可分為物理約束和時空數(shù)據(jù)處理方法,建立深度學習模型時使用多分支網(wǎng)絡結構,可以將領域知識集成到模型中。
文章指出,在未來的海洋遙感圖像處理中,應將深度學習模型結構的先進性和領域知識 (專家知識)相結合。注意機制強調(diào)全局信息和局部信息的結合。海洋理論領域知識為深度學習模型提供了更準確的輸入特征,降低輸入數(shù)據(jù)維度的自由度。二者相互作用推動人工智能海洋學的發(fā)展。
中科院海洋所李曉峰研究員為論文第一作者,王凡研究員為通信作者,合作者還包括天津大學周圓副教授。研究得到了中科院海洋大科學研究中心、中科院先導科技專項、山東省重大創(chuàng)新工程及國家自然科學基金項目等資助。
文章信息
Xiaofeng 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
附件下載:
魯公網(wǎng)安備37020202001323號 | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號 南海路園區(qū)地址:青島市市南區(qū)南海路7號 科考船碼頭基地:青島市西海岸新區(qū)長江東路8號 |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
