MERLIN: Derin leke giderme ağlarını eğitmek için kendi kendini denetleyen bir strateji

SAR görüntüsünde istatistiksel bir benek modeli: Sağdaki yoğunluk görüntüsü, solda gösterilen yansıtma görüntüsünün bozuk bir versiyonudur. Tek görünümlü karmaşık görüntü, gerçek ve hayali kısımlarda bağımsız olan uzamsal olarak ilişkili benek bileşenleri içerir. Burada gösterilen SAR aktarım işlevi, Sentinel-1 şerit haritası moduna karşılık gelir. Görselleştirme amacıyla, yoğunluk görüntülerini görüntülemek için doğrusal olmayan bir arama tablosu kullanılır. Kredi: Dalsasso, Denis ve Tupin. Kredi: Dalsasso, Denis ve Tupin.

Radarlar tarafından yayılan gibi oldukça uyumlu bir ışık demeti, pürüzlü bir yapıya sahip bir yüzeye (örneğin, bir kağıt parçası, beyaz boya veya metalik bir yüzey) dağınık bir şekilde yansıtıldığında, ‘ olarak bilinen rastgele bir granüler etki üretir. benek’ deseni. Bu etki, sentetik açıklıklı radar (SAR) teknikleriyle toplanan görüntülerin kalitesini ve yorumlanabilirliğini azaltabilecek güçlü dalgalanmalara neden olur.

SAR, çözünürlüğü sınırlı bir radar sistemi kullanarak ince çözünürlüklü 2B veya 3B görüntüler üretebilen bir görüntüleme yöntemidir. Genellikle, Dünya yüzeyinin veya diğer gezegenlerin milimetre-santimetre ölçekli modellerini oluşturmak için kullanılabilen manzara görüntülerini veya nesne rekonstrüksiyonlarını toplamak için kullanılır.

SAR verilerinin kalitesini ve güvenilirliğini artırmak için, dünya çapındaki araştırmacılar, benek etkisini azaltabilecek derin sinir ağlarına dayalı teknikler geliştirmeye çalışıyorlar. Bu tekniklerin bazıları umut verici sonuçlar elde etmiş olsa da performansları hala optimal değildir.

Bunun bir nedeni, mevcut modellerin çoğunun denetimli bir öğrenme süreci yoluyla görüntülerin beneklerini gidermeyi öğrenmesidir, bu da eğitim sırasında beneksiz görüntülere ihtiyaç duydukları anlamına gelir. Beneksiz SAR görüntüleri tipik olarak mevcut olmadığından ve bu nedenle imal edilmesi veya başka görüntülerle değiştirilmesi gerektiğinden, bu onları eğitmeyi çok zorlaştırabilir.

Paris Politeknik Enstitüsü ve Lyon Üniversitesi’ndeki bir araştırmacı ekibi, yakın zamanda SAR verilerindeki benek etkilerini azaltmak için derin sinir ağlarını eğitmek için kendi kendini denetleyen yeni bir öğrenme stratejisini tanıttı. Bu yöntem, arXiv’de önceden yayınlanmış bir makalede tanıtıldı ve Yerbilimi ve Uzaktan Algılama Üzerine IEEE İşlemleri.

Çalışmayı yürüten araştırmacılar Emanuele Dalsasso, Loic Denis ve Florence Tupin, “Şimdiye kadar çoğu yaklaşım, ağların beneksiz referans görüntülere mümkün olduğunca yakın çıktılar üretmek üzere eğitildiği denetimli bir eğitim stratejisi olarak düşündü.” TechXplore’a söyledi. “Beneksiz görüntüler genellikle mevcut değildir, bu da doğal veya optik görüntülere başvurmayı veya temel gerçeğin eksikliğini önlemek için uzun zaman serilerinde sabit alanların seçilmesini gerektirir. Öte yandan, kendi kendini denetleme, benek kullanımını önler. -ücretsiz görüntüler.”

Bu araştırmacılar ekibi tarafından tanıtılan derin sinir ağı tabanlı modellerin benek gidermeye yönelik eğitimine yönelik yeni stratejiye MERLIN (kompleks Self-denetimli leke giderme) adı verildi. MERLIN, karmaşık SAR görüntülerinin gerçek ve ‘hayali’ kısımlarını ayırarak çalışır.

Dikkat çekici bir şekilde, strateji her tür derin sinir ağı mimarisini eğitmek için kullanılabilir. Daha önce önerilen yaklaşımların aksine, tamamen denetimsizdir ve araştırmacıların tek bakışlı karmaşık (SLC) görüntüler kullanarak leke giderme modellerini eğitmesine olanak tanır. SLC görüntüleri, tek tek görüntü piksellerinin genlik ve faz ile ilgili bilgiler içerdiği ham SAR verilerinden oluşturulan görüntülerdir.

Araştırmacılar makalelerinde, “Mevcut diğer çalışmaların aksine, MERLIN, beneğin uzamsal korelasyonlarının yokluğu veya bir zaman serisi boyunca zamansal kararlılık gibi ek hipotezlere ihtiyaç duymuyor” dedi.

Dalsasso, Denis ve Tupin, eğitim stratejilerini bir dizi testte değerlendirdi ve her türlü derin leke giderme ağlarını eğitmek için etkili bir şekilde kullanılabileceğini buldu. Ayrıca, MELIN ile eğitilen modeller, beneksiz görüntüler üzerinde eğitilmemiş olsalar bile oldukça umut verici sonuçlar elde etti.

Araştırmacılar makalelerinde, “MERLIN ile eğitilen ağlar, belirli bir sensöre ve görüntüleme moduna özgü SAR aktarım işlevinden kaynaklanan uzamsal korelasyonları hesaba katar” diye yazdı. “Yalnızca tek bir görüntü gerektirerek ve muhtemelen büyük arşivlerden yararlanarak, MERLIN sorunsuz ve büyük ölçekli leke giderme ağlarının eğitimine kapı açar.”

Gelecekte, bu kendi kendini denetleyen öğrenme stratejisi, jeolojide ve Dünya ile ilgili diğer çalışma alanlarındaki araştırmalar için çok değerli olabilir. Aslında, araştırma ekiplerinin benek giderme modellerini daha kolay ve verimli bir şekilde eğitmesine olanak tanıyarak, beneksiz görüntülerden oluşan büyük veri kümelerini derlemek zorunda kalmadan SAR verilerinin kalitesini iyileştirebilir.


Öğrenme yardımcıları: Yeni yöntem, sınırlı veriler üzerinde bilgisayarlı görme algoritmalarının eğitilmesine yardımcı olur


Daha fazla bilgi:
Emanuele Dalsasso, Loïc Denis, Florence Tupin, Sihir gibi: MERLIN ile derin leke giderme ağlarının kendi kendini denetleyen eğitimi. arXiv:2110.13148v1 [cs.CV], arxiv.org/abs/2110.13148

© 2021 Bilim X Ağı

Alıntı: MERLIN: Derin leke giderme ağlarını eğitmek için kendi kendini denetleyen bir strateji (2021, 8 Kasım), 20 Kasım 2021’de https://techxplore.com/news/2021-11-merlin-self-supervised-strategy-deep-despeckling’den alındı. html

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amaçlı herhangi bir adil işlem dışında, yazılı izin alınmadan hiçbir bölüm çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.





#Derin #leke #giderme #ağlarını #eğitmek #için #kendi #kendini #denetleyen #bir #strateji