利用深度学习分析卫星雷达图像

每年平均有 500 座冰山进入纽芬兰和拉布拉多沿海地区，对航运和海上作业构成了潜在威胁。二十世纪九十年代，一些公司开始使用卫星合成孔径雷达 (SAR) 监测冰川和海上浮冰。SAR 非常适合执行该任务，因为它既能在白天和夜晚拍摄大片海洋的图像，又能克服云、雾和其他不利的气象条件。 

分析 SAR 图像涉及识别图像中的目标（成片的高亮度像素）以及将其分类为冰川或舰船（图 1）。即使是训练有素的专家，也可能需要数小时的时间分析若干帧图像，尤其是在目标难以辨别的情况下。

我们 C-CORE 的团队与挪威国家石油公司 Equinor 合作开发了一款自动化软件，利用深度学习对 SAR 图像中的目标进行分类。我们当时决定通过举办一次 Kaggle 竞赛，充分利用全球 AI 研究员社区的专业知识。我们研究了竞赛中选出的最佳创意，利用 MATLAB^® 中的卷积神经网络 (CNN) 实现了这些创意，然后构建了能够在操作层面使用的软件。

冰川识别难题

SAR 图像的分辨率取决于图像覆盖面积大小：聚焦相对较小区域的图像比覆盖大片海洋的图像具有更高分辨率，因此更容易分类（图 2 和图 3）。实际上，为了从数据集提取尽可能多的有用信息，我们必须处理所有分辨率级别的图像，哪怕图像中的目标只有几个像素宽。

在开始使用深度学习之前，我们使用了二次判别分析进行冰川分类，但这涉及图像分割，从背景海洋像素中分离目标像素。图像分割是个挑战，因为海洋情况千差万别，恶劣的情况会造成视觉上的杂乱感，使得难以确定每个目标的轮廓。利用 CNN，不需要从背景中区分目标，因为算法是在完整的 SAR 切片、包含单个目标的固定尺寸图像上训练的。

Kaggle 竞赛

我们的 Kaggle 竞赛给参赛者提出了一个简单的挑战：开发一个算法，需要能自动将 SAR 图像切片中的目标分类为舰船或冰川。为竞赛准备的数据集包括从 Sentinel-1 人造卫星沿拉布拉多和纽芬兰海岸采集的多信道 SAR 数据中提取的 5,000 张图像（图 4）。事实证明，我们的竞赛是 Kaggle 上举办的最受欢迎的基于图像的竞赛，吸引了 3,343 个队伍参赛并提交了超过 47,000 份参赛作品。

表现优异的入围作品全都使用了深度学习。他们的模型使用了许多相同的特征和层，包括卷积、ReLU层、最大池化和 softmax 层。另外，最佳入围作品全都使用了集成，将预测准确度从大约 92% 提高到了 97%。

使用 MATLAB 构建深度学习模型

我们使用最佳 Kaggle 入围作品作为起点，借助 MATLAB 和 Deep Learning Toolbox™ 开发了我们自己的深度学习模型。我们从修改 Deep Learning Toolbox 中提供的一个简单分类器开始。几天的时间，我们就搭建起一个运作良好的网络。

为了优化网络性能，我们测试了不同的参数值组合，例如，每一层的节点数目、卷积层中使用的滤波器大小、最大池化层中使用的池大小等，取值各不相同。我们编写了一个自动构建、训练和测试 10,000 个不同 CNN 的 MATLAB 脚本，在合理的限制和约束内随机生成这些参数的值。

我们对结果执行了简单的贪心搜索，以找出七个表现最佳的 CNN，并使用它们创建一个集成。像 Kaggle 竞赛优胜者使用的集成一样，我们的集成提高了大约 5% 的总体准确度。

由于使用 MATLAB，我们从对实现 CNN 分类器知之甚少，到产生一个足以在操作层面使用的解决方案，只用了短短两个星期。

将分类器整合到一个完整系统

目标辨别只是冰川识别多步骤过程的其中一步。该过程还包括陆地掩膜（用来排除由于陆地上物体造成的误检），以及与地理信息系统软件集成（用来生成显示冰川和舰船位置的地图）（图 5）。

当雷达卫星合成体使命 (RADARSAT Constellation Mission) 人造卫星今年开始生成数据时，我们将能够访问更多 SAR 图像 — 这些图像对于通过人工目检进行分析简直太多了。将我们在 MATLAB 中开发的这种深度学习算法融入软件系统中，将会使 C-CORE 能够准确、快速、自动地处理此类数据，从而做到最充分地利用数据。