U-Net, konvoluciona neuronska mreža (CNN) prvobitno namenjena za medicinsku upotrebu, potencijalno može da napravi talase u polju daljinskog detekcije okeana
Retko postoji problem u našem modernom svetu koji se ne može rešiti ili pomoći tehnologijom i veštačkom inteligencijom (AI). U ovom slučaju, U-Net, alat koji se koristi za izdvajanje željenog „objekta“ iz medicinske slike, posmatra se kao potencijalno sredstvo okeanografskog istraživanja. Iako obećava, U-Net nije savršen. Nekoliko ključnih poboljšanja u modelu mogu napraviti ogromnu razliku kada je u pitanju oblast daljinskog istraživanja okeana.
Istraživači su objavili svoje nalaze u Journal of Remote Sensing u avgustu 2024.
Čini se da model U-Net ima dovoljno dobru strukturu da bude dobar kandidat za okeanografsko istraživanje, ali u svom trenutnom stanju nije u stanju da u potpunosti ispuni potrebe istraživača.
Da bi rešio izazove sa kojima se U-Net suočava sa okretanjem ka okeanografskim istraživanjima, potrebno je poboljšanje tri glavne kategorije: zadaci segmentacije modela ili sposobnost kategorizacije svakog piksela na slici, zadaci predviđanja i zadaci super rezolucije.
„Kroz strukturno poboljšanje i uvođenje novih tehnika, U-Net model može postići značajno poboljšanje u detekciji malih ciljeva, tačnosti predviđanja i kvalitetu rekonstrukcije slike, dalje promovišući razvoj istraživanja okeana na daljinu“, rekao je Haoju Vang, autor i istraživač .
Poboljšanje semantičke segmentacije može poboljšati sposobnost U-Neta da otkrije i identifikuje male mete u okeanu. Ovo se može uraditi integracijom modela sa sposobnošću da prepozna i identifikuje piksele na udaljenosti putem mehanizama pažnje. Na primer, dobijanje modela da prepozna razliku između otvorene vode i ledenih formacija u okeanu je integralno, a U-Net može odrediti ovu razliku.
Zadaci predviđanja odnose se na sposobnost modela da logički predvidi ishod na osnovu fizičkog znanja i metoda zasnovanih na podacima. Prethodni uspesi korišćenja U-Net modela za okeansko daljinsko ispitivanje uključuju Mrežu za predviđanje morskog leda (SIPNet), koja predviđa koncentraciju morskog leda na Antarktiku.
SIPNet, model U-Net, koristio je drugi oblik arhitekture neuronske mreže poznat kao „koder-dekoder“ koji obrađuje ulaznu sekvencu (koder) da bi se kasnije rekonstruisao u prvobitni oblik (dekoder). Ovo se često koristi za sumiranje ili prevođenje teksta, ali u ovom slučaju, SIPNet je koristio 8 nedelja podataka o koncentraciji morskog leda da bi predvideo narednih 8 nedelja. Kada je arhitektura enkoder-dekoder kombinovana sa modulom vremensko-prostorne pažnje (TSAM), prosečna razlika između predviđanja i stvarnog merenja bila je manja od 3% za 7-dnevnu prognozu, pokazujući tačnost koju U-Net modeli mogu imati kada je potpuno opremljen za zadatak.
Na kraju, predložena poboljšanja za zadatke super-rezolucije uključuju uvođenje modela difuzije za smanjenje zamućenja na slikama ili „šuma“. Da bi se smanjio šum na slikama, korelacija između slika visoke i niske rezolucije mora biti identifikovana uzimajući u obzir sličnosti uočene u obe rezolucije. Ovo takođe uključuje poboljšanje sposobnosti modela da izdvaja karakteristike iz slika.
Istraživači predlažu korišćenje modela, PanDiff, za mešanje panhromatske visoke rezolucije (osetljive na sve vidljive boje u spektru) i multispektralnih slika niske rezolucije (slike koje hvataju podatke kroz spektre kao što su infracrveni i ultraljubičasti) koje će se rekonstruisati pomoću U- Neto preko slučajnog šuma.
Dalja optimizacija U-Net modela je neophodna da bi se podržali ciljevi istraživača na duži rok.
„Jednostavna i razumljiva mrežna arhitektura U-Net modela i superiorne mogućnosti prilagođavanja modela stekli su najveću popularnost među istraživačima u zajednici za daljinsko ispitivanje okeana, pokazujući veliki potencijal“, rekao je Ksiaofeng Li, istraživač i autor studije.
Pored poboljšanja koja istraživači predlažu za korišćenje U-Neta u okeanskim istraživanjima, postoji mnogo istraživanja koja treba uraditi kombinovanjem U-Neta sa drugim sistemima ili tehnikama kako bi se dodatno proširila već široka primena modela.
