分析卫星雷达图像与深度学习

平均约500纽芬兰和拉布拉多的冰山进入近海地区,每年对航运和海运操作构成潜在威胁。在1990年代,公司开始使用卫星合成孔径雷达(SAR)监控冰山和冰川。SAR是适合这个任务,因为它可以捕获图像的大片海洋日夜,以及通过云、雾等恶劣天气条件。

分析SAR图像包括确定目标图像中(集群的高强度像素),分类冰山或船只(图1)。即使是训练有素的专家可以花费几个小时的时间来分析少数框架,特别是当目标很难辨别。

我们的团队在铁心与挪威能源公司Equinor开发自动化软件,使用深度学习目标SAR图像进行分类。我们决定利用世界范围内的专业社区举办Kaggle人工智能研究人员的竞争。我们研究了从竞争最好的想法,实现他们在MATLAB卷积神经网络(cnn)^®,然后建立可操作的软件。

挑战在冰山识别

SAR图像的分辨率取决于多少面积图包括:图像集中在相对较小的地区高分辨率比那些封面大片的海洋,因此容易分类(图2和3)。在实践中,提取有用的信息从一个数据集的最大的数量,我们必须与各级分辨率的图像,甚至只有几个像素图像与目标。

在我们开始使用深度学习之前,我们对冰山使用二次判别分析分类,但这涉及分割图像分离目标像素从海洋背景像素。图像分割是一个挑战,因为海洋条件相差很大,和贫穷造成的视觉上的混乱状况使它很难定义每个目标的轮廓。cnn,没有必要区分目标和背景,由于算法训练完成SAR芯片包含单个目标,fixed-dimension图像。

Kaggle竞争

Kaggle竞争为参与者提供了一个简单的挑战:开发一个算法能够自动分类目标的SAR图像芯片作为一艘船或一座冰山。竞争包括5000图像提取的数据集收集的多通道SAR数据Sentinel-1拉布拉多和纽芬兰的卫星沿海岸(图4)。我们的竞争对手是最流行的基于图像的竞争托管在Kaggle, 3343团队贡献超过47000提交。

所有使用深学习表现最好的条目。模型共享的许多特征和层,包括卷积,纠正线性单元(ReLU)、马克斯•池和softmax层。此外,顶部条目使用乐团来提高预测精度从约92%至97%。

与MATLAB建立我们的深度学习模型

使用顶部Kaggle条目作为起点,我们开发我们自己的深度学习模型与MATLAB和深度学习工具箱™。我们开始通过修改深度学习工具箱中提供一个简单的分类器。在几天内我们有网络,运行良好。

为了优化网络性能,我们测试了不同的参数值组合,不同,例如,在每一层的节点数量,使用的过滤器尺寸卷积层,使用的池大小最大池层,等等。我们写了一个MATLAB脚本,自动建立,训练,和测试了10000种不同的cnn,这些参数的值在合理范围内随机生成和约束。

我们执行一个简单的贪婪搜索结果发现七个最好的cnn和用于创建一个合奏。喜欢使用的集合体Kaggle竞争的赢家,我们合奏总体精度提高了近5%。

通过在MATLAB工作,两周内我们从知道对CNN的实现分类器产生一个解决方案,使用到操作上表现良好。

将分类器集成到一个完整的系统

目标歧视是一个步骤在冰山识别一个多步过程。过程也涉及到土地掩蔽,消除虚假检测由陆上对象,与地理信息系统软件和集成,生成地图冰山和船只的位置(图5)。

当RADARSAT卫星星座任务开始生成数据,今年我们将获得更多的SAR images-far太多通过人工目视检查进行分析。软件系统,结合深入学习算法的MATLAB开发的我们将使铁心充分利用这些数据通过处理准确,快速,自动。