Китайський ШІ навчили знаходити затонулі кораблі в реальному часі
Дослідники з Харбінського технологічного інституту розробили модель глибокого навчання SW-Net, яка виявляє сліди корабельних аварій на знімках гідролокатора в режимі реального часу. Система вирізняє штучні об'єкти з-поміж природних утворень морського дна з високою точністю.
Команда науковців із китайського Харбіна створила нейромережу SW-Net, призначену для автоматичного пошуку затонулих суден на даних сонара бокового огляду (ГБО). Розробка використовує попередньо визначені математичні фільтри, які розпізнають прямі краї та правильні геометричні форми — характерні ознаки рукотворних об'єктів, що рідко трапляються в природному рельєфі дна.
Подібні зображення часто ускладнені шумом, плямистістю та акустичними перешкодами, через що корабельні уламки буває важко відрізнити від скель чи піщаних брижів. Більшість наявних ШІ-моделей обробляють ознаки однаково незалежно від напрямку, що призводить до помилок. Натомість SW-Net застосовує фіксовані фільтри для країв під різними кутами, а механізм спрямованої уваги визначає найважливіші кути в кожній ділянці дна. Це дозволяє відсіювати випадкові візерунки та зосереджуватися на значущих структурах.
Під час тестування на публічному наборі даних із реальними знімками гідролокатора SW-Net показала найкращі результати серед семи моделей сегментації, отримавши найвищі показники точності перекриття та F1. Модель має близько 4 мільйонів параметрів, що значно менше за аналоги, і обробляє зображення зі швидкістю приблизно 45 кадрів на секунду на одному графічному процесорі. Така продуктивність уможливлює роботу в реальному часі: автономний підводний апарат може позначати потенційні місця аварій безпосередньо під час обстеження, без потреби в окремій подальшій обробці даних.
Дослідники визнали й обмеження розробки. SW-Net іноді помилково приймає високовідбивні скельні утворення за уламки суден, що дає хибнопозитивні результати. Крім того, модель може не помітити кораблетрощі, щільно вкриті осадовими породами або сильно фрагментовані, коли від оригінальної структури залишається замало елементів для розпізнавання. Для зниження кількості помилок автори радять комбінувати сонарні дані з іншими типами датчиків, а також використовувати кілька сканувань із різних кутів або в різний час.
У ширшому контексті розробка відповідає тенденції до автоматизації підводних досліджень. Раніше румунська компанія Oves Enterprise повідомила про успішні випробування крилатої ракети Sahara з навігацією на основі штучного інтелекту, що свідчить про зростання ролі ШІ у складних технічних системах.
Читайте також
