账号:
密码:
最新动态
产业快讯
CTIMES / 文章 /
利用深度学习分析卫星雷达影像
 

【作者: Kelley Dodge、Carl Howell】2019年12月18日 星期三

浏览人次:【9510】

每年平均大约会有500座冰山进入纽芬兰和拉布拉多离岸区域,这对海洋运输和船舶行进形成潜在的威胁。在1990年代,有些公司便开始使用卫星合成孔径雷达(satellite synthetic aperture radar;SAR)来监测冰山与海洋浮冰,SAR非常适用于这样的任务,因为它可以不分日夜,甚至穿透云、雾、和其他不利的天气条件,从大范围的海洋捕捉影像。


SAR影像的分析工作包含辨识影像中的目标物(高强度画素的丛集),并将它们分类为冰山或船只(图1)。即使是受过高度训练的专家,分析少量的画面也会需要花上几个小时,尤其是在目标物难以辨识的时候。



图1 : 在纽芬兰附近拍摄的SAR影像,圆圈标示处为目标物。
图1 : 在纽芬兰附近拍摄的SAR影像,圆圈标示处为目标物。

我们在C-CORE的团队与挪威的能源公司Equinor合作来开发自动化的软体,能使用深度学习来分类SAR影像中的目标物。我们决定要借助世界各地AI研究人员社群的专业,因此办了一场Kaggle竞赛,而我们从竞赛学到了最佳的构想,并且使用MATLAB及卷积神经网路(convolutional neural networks;CNNs)来实现该构想,接着去建构能够实际操作使用的软体。


冰山辨识的挑战

SAR影像的解析度取决于影像涵盖的范围要多大:着重于较小范围的影像的解析度会比涵盖大范围海洋的影像更高,也因此较容易进行目标物的分类(图2及图3)。在实务上,为了要从资料集中撷取出最大量的可用资讯,我们必须运用各种解析度的影像,甚至是目标物宽度仅有几个画素的影像。



图2 : 从多重极化通道(以HH和HV标记)建立能够轻易被分类为冰山(右上)和船只(右下)的彩色合成照影像
图2 : 从多重极化通道(以HH和HV标记)建立能够轻易被分类为冰山(右上)和船只(右下)的彩色合成照影像

图3 : 难以分类为冰山(右上)和船只(右下)的彩色合成影像。
图3 : 难以分类为冰山(右上)和船只(右下)的彩色合成影像。

在我们开始使用深度学习之前,我们先利用二次判别分析(quadratic discriminant analysis)法来进行冰山的分类,不过这会需要分割影像,把含有目标物的画素从背景海洋的画素分开。


由于海洋条件可能有很大的差异,而且不佳的条件会造成视觉上的混乱,因而难以定义每一个目标物的轮廓,使得影像分割成为一大挑战。透过CNNs,演算法是以完整的SAR切片、包含单独一个目标物的固定尺寸影像来训练,因此不需要将目标物从背景区分出来。


Kaggle竞赛

我们的Kaggle竞赛对参赛者提出一项简单的挑战:开发一个能够自动地将SAR影像切片上的目标物分类为船只或冰山的演算法。竞赛用的资料集包含了5000张从透过卫星哨兵一号(Sentinel-1)沿着拉布拉多和纽芬兰海岸收集的多通道SAR资料撷取出来的影像(图4)。我们这场竞赛吸引了总共有3343组团队来参加,缴交件数超过47,000,足以证明它是在Kaggle上举办过最受欢迎的以影像为基础的一个竞赛。



图4 : 卫星哨兵一号沿着纽芬兰及拉布拉多海岸收集而来的SAR资料。 Adblu. “Statoil/C-CORE Iceberg Classifier Challenge: Ship or iceberg, can you decide from space?” Kaggle, 8 Nov 2017, [1]
图4 : 卫星哨兵一号沿着纽芬兰及拉布拉多海岸收集而来的SAR资料。 Adblu. “Statoil/C-CORE Iceberg Classifier Challenge: Ship or iceberg, can you decide from space?” Kaggle, 8 Nov 2017, [1]

所有表现最好的参赛者们都使用了深度学习。他们的模型有许多共通的特性和层级,包含卷积、整流线性单位函数(rectified linear unit;ReLU)、最大池化(max pooling)、softmax层等等。除此之外,顶尖的参赛者皆使用总集(ensembles)让预测的准确度从92%推进到97%。


透过MATLAB搭建自己的深度学习模型

我们采用顶尖的Kaggle参赛结果作为开发的起始点,我们透过MATLAB和深度学习工具箱(Deep Learning Toolbox)开发了自己的深度学习模型。我们从修改该深度学习工具箱内提供的一个简单的分类器开始。在几天之内,我们就可以建立一个能够良好运作的深度学习架构。


为了优化深度学习架构的表现,我们测试过各种组合的参数值,举例来说,从每一层里面的节点数量、在卷积层里使用的滤波器尺寸、到最大池化层使用的池子大小等等。我们撰写了一个MATLAB自动化程式来自动地建立、训练、测试10,000个不同的CNNs,其中的参数值会在合理的界线和限制之间随机地产生。


我们对这项结果执行了一个简单的贪婪搜寻(greedy search)来找出七个表现最好的CNNs,并使用这些CNNs来建立总集。如同Kaggle竞赛优胜者使用的总集,我们的总集使整体准确率提升了将近5%。


透过MATLAB软体的协助,我们在两个星期之内就从不太了解CNN分类器的执行进展到可以自己建立一个运作良好、足以供营运采用的解决方案。


将分类器整合至完整系统

目标鉴别(Target discrimination)是进行冰山辨识流程之中多项步骤的其中一步。这套流程也涉及了陆地的遮蔽效应,以消除由陆地物体引起的错误侦测,并且透过与地理资讯系统软体的整合,以制作出显示了冰山和船只位置的地图(图5)。



图5 : 标示在地图上的冰山位置。
图5 : 标示在地图上的冰山位置。

当RADARSAT Constellation Mission卫星从2019年起开始产生资料,我们便有了取得更多SAR影像的途径—资料量对于以人工视觉检查来进行的分析实在太多。因此我们在MATLAB所开发的包含深度学习演算法的软体系统,大大帮助了C-CORE精准、快速、自动地处理,来充分地利用大部分的资料。


(本文由钛思科技提供;作者Kelley Dodge、Carl Howell任职于C-CORE公司)


注解:


[1]https://www.kaggle.com/c/statoil-iceberg-classifier-challenge/discussion/42108/.


相关文章
NASA太空飞行器任务开发光学导航软体
显微镜解决方案助力台湾半导体技术提升研发效能
近即时模拟与控制协助自主水下载具机动运行
资料科学与机器学习协助改善颈部损伤评估
配电网路的即时模拟环境开发
comments powered by Disqus
相关讨论
  相关新闻
» 互盛以IoT智能环保可视化服务 协助顾客加速双轨转型
» 鼎新电脑携手和泰丰田解缺工 以数位劳动力开启储运新时代
» Fortinet SASE台湾网路连接点今年落成 全台巡??落实云地零信任资安
» GTC 2024:益登展示跨域人工智慧解决方案
» Ansys模拟分析解决方案 获现代汽车认证为首选供应商


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3  v3.20.1.HK83SCO9JV0STACUKU
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 /  E-Mail: webmaster@ctimes.com.tw