帳號:
密碼:
智動化 / 文章 /

利用深度學習分析衛星雷達影像
[作者 Kelley Dodge、Carl Howell]   2019年12月18日 星期三 瀏覽人次: [2943]

每年平均大約會有500座冰山進入紐芬蘭和拉布拉多離岸區域,這對海洋運輸和船舶行進形成潛在的威脅。在1990年代,有些公司便開始使用衛星合成孔徑雷達(satellite synthetic aperture radar;SAR)來監測冰山與海洋浮冰,SAR非常適用於這樣的任務,因為它可以不分日夜,甚至穿透雲、霧、和其他不利的天氣條件,從大範圍的海洋捕捉影像。


SAR影像的分析工作包含辨識影像中的目標物(高強度畫素的叢集),並將它們分類為冰山或船隻(圖1)。即使是受過高度訓練的專家,分析少量的畫面也會需要花上幾個小時,尤其是在目標物難以辨識的時候。



圖1 : 在紐芬蘭附近拍攝的SAR影像,圓圈標示處為目標物。
圖1 : 在紐芬蘭附近拍攝的SAR影像,圓圈標示處為目標物。

我們在C-CORE的團隊與挪威的能源公司Equinor合作來開發自動化的軟體,能使用深度學習來分類SAR影像中的目標物。我們決定要藉助世界各地AI研究人員社群的專業,因此辦了一場Kaggle競賽,而我們從競賽學到了最佳的構想,並且使用MATLAB及卷積神經網路(convolutional neural networks;CNNs)來實現該構想,接著去建構能夠實際操作使用的軟體。


冰山辨識的挑戰

SAR影像的解析度取決於影像涵蓋的範圍要多大:著重於較小範圍的影像的解析度會比涵蓋大範圍海洋的影像更高,也因此較容易進行目標物的分類(圖2及圖3)。在實務上,為了要從資料集中擷取出最大量的可用資訊,我們必須運用各種解析度的影像,甚至是目標物寬度僅有幾個畫素的影像。



圖2 : 從多重極化通道(以HH和HV標記)建立能夠輕易被分類為冰山(右上)和船隻(右下)的彩色合成照影像
圖2 : 從多重極化通道(以HH和HV標記)建立能夠輕易被分類為冰山(右上)和船隻(右下)的彩色合成照影像

圖3 : 難以分類為冰山(右上)和船隻(右下)的彩色合成影像。
圖3 : 難以分類為冰山(右上)和船隻(右下)的彩色合成影像。

在我們開始使用深度學習之前,我們先利用二次判別分析(quadratic discriminant analysis)法來進行冰山的分類,不過這會需要分割影像,把含有目標物的畫素從背景海洋的畫素分開。


由於海洋條件可能有很大的差異,而且不佳的條件會造成視覺上的混亂,因而難以定義每一個目標物的輪廓,使得影像分割成為一大挑戰。透過CNNs,演算法是以完整的SAR切片、包含單獨一個目標物的固定尺寸影像來訓練,因此不需要將目標物從背景區分出來。


Kaggle競賽

我們的Kaggle競賽對參賽者提出一項簡單的挑戰:開發一個能夠自動地將SAR影像切片上的目標物分類為船隻或冰山的演算法。競賽用的資料集包含了5000張從透過衛星哨兵一號(Sentinel-1)沿著拉布拉多和紐芬蘭海岸收集的多通道SAR資料擷取出來的影像(圖4)。我們這場競賽吸引了總共有3343組團隊來參加,繳交件數超過47,000,足以證明它是在Kaggle上舉辦過最受歡迎的以影像為基礎的一個競賽。



圖4 : 衛星哨兵一號沿著紐芬蘭及拉布拉多海岸收集而來的SAR資料。 Adblu. “Statoil/C-CORE Iceberg Classifier Challenge: Ship or iceberg, can you decide from space?” Kaggle, 8 Nov 2017, [1]
圖4 : 衛星哨兵一號沿著紐芬蘭及拉布拉多海岸收集而來的SAR資料。 Adblu. “Statoil/C-CORE Iceberg Classifier Challenge: Ship or iceberg, can you decide from space?” Kaggle, 8 Nov 2017, [1]

所有表現最好的參賽者們都使用了深度學習。他們的模型有許多共通的特性和層級,包含卷積、整流線性單位函數(rectified linear unit;ReLU)、最大池化(max pooling)、softmax層等等。除此之外,頂尖的參賽者皆使用總集(ensembles)讓預測的準確度從92%推進到97%。


透過MATLAB搭建自己的深度學習模型

我們採用頂尖的Kaggle參賽結果作為開發的起始點,我們透過MATLAB和深度學習工具箱(Deep Learning Toolbox)開發了自己的深度學習模型。我們從修改該深度學習工具箱內提供的一個簡單的分類器開始。在幾天之內,我們就可以建立一個能夠良好運作的深度學習架構。


為了優化深度學習架構的表現,我們測試過各種組合的參數值,舉例來說,從每一層裡面的節點數量、在卷積層裡使用的濾波器尺寸、到最大池化層使用的池子大小等等。我們撰寫了一個MATLAB自動化程式來自動地建立、訓練、測試10,000個不同的CNNs,其中的參數值會在合理的界線和限制之間隨機地產生。


我們對這項結果執行了一個簡單的貪婪搜尋(greedy search)來找出七個表現最好的CNNs,並使用這些CNNs來建立總集。如同Kaggle競賽優勝者使用的總集,我們的總集使整體準確率提升了將近5%。


透過MATLAB軟體的協助,我們在兩個星期之內就從不太了解CNN分類器的執行進展到可以自己建立一個運作良好、足以供營運採用的解決方案。


將分類器整合至完整系統

目標鑑別(Target discrimination)是進行冰山辨識流程之中多項步驟的其中一步。這套流程也涉及了陸地的遮蔽效應,以消除由陸地物體引起的錯誤偵測,並且透過與地理資訊系統軟體的整合,以製作出顯示了冰山和船隻位置的地圖(圖5)。



圖5 : 標示在地圖上的冰山位置。
圖5 : 標示在地圖上的冰山位置。

當RADARSAT Constellation Mission衛星從2019年起開始產生資料,我們便有了取得更多SAR影像的途徑—資料量對於以人工視覺檢查來進行的分析實在太多。因此我們在MATLAB所開發的包含深度學習演算法的軟體系統,大大幫助了C-CORE精準、快速、自動地處理,來充分地利用大部分的資料。


(本文由鈦思科技提供;作者Kelley Dodge、Carl Howell任職於C-CORE公司)


註解:


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


相關文章
電力電子模型之頻率響應分析估測
以模型化基礎設計混合訊號多波束聲納系統
強化學習:入門指南
深度學習在機器視覺領域的機遇與挑戰
以模型化基礎設計流程開發測試AUTOSAR軟體元件與複雜裝置驅動
comments powered by Disqus
  相關新聞
» 遠距雲端資安露破口 組態設定錯誤致風險最高
» 全球假冒疫情網路威脅升高 趨勢科技發布3大資安風險
» 達梭系統3DEXPERIENCE World 2020 號召創新者共造設計世界
» 智慧醫療產業前瞻 貿協揭開醫材應用新商機
» 國衛院、長庚醫、宏碁三方結盟 肥胖症智慧預測系統計畫啟動
  相關產品
» 大聯大品佳集團推出240W電競筆記型電腦變壓器解決方案
» 明緯推出NID35/65/100系列非隔離低價DC-DC轉換器
» 亞信高整合USB KVM切換器單晶片解決方案
» Diode雙向 8 通道電位轉換器提供寬電壓範圍及彈性輸出選項
» 技嘉發表X299 AORUS MASTER主機板


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2020 遠播資訊股份有限公司版權所有 Powered by O3
地址:台北市中山北路三段29號11樓 / 電話 (02)2585-5526 / E-Mail: webmaster@hope.com.tw