Працює в реальному часі. В Китаї штучний інтелект навчили знаходити затонулі кораблі

Автори запевняють, що новинка під назвою SW-Net виявляє характерні для кораблів геометричні форми в режимі реального часу, пише Arkeo News.

Кораблетрощі є цінними джерелами археологічної інформації, але виявити їх під водою не завжди можливо. Оптичні камери часто обмежені в каламутній воді; тому гідролокатор бокового огляду (ГБО) є важливим і широко використовуваним інструментом для дослідження морського дна.

Однак, зображення гідролокатора не позбавлені обмежень. На них можуть впливати шум, плямистість та акустичні перешкоди, які можуть приховувати важливі особливості. Як наслідок, розрізнення корабельних аварій від природних утворень морського дна, таких як скелі та піщані брижі, може бути складним та трудомістким.

Команда з Харбінського технологічного інституту розробила модель глибокого навчання під назвою SW-Net, спеціально розроблену для покращення виявлення корабельних аварій на складних зображеннях гідролокатора. Дослідники вирішили почати з того факту, що затонулі кораблі - це штучні об'єкти, тому вони часто мають прямі краї, гострі кути та правильні геометричні форми, які рідше зустрічаються в природних об'єктах морського дна.

Більшість моделей зображень на базі штучного інтелекту обробляють особливості однаково незалежно від напрямку, що може призвести до того, що модель сприйматиме чіткий прямий край від корабельної аварії подібно до нерівномірної ділянки шуму. SW-Net використовує інший підхід. Він застосовує фіксовані математичні фільтри, призначені для виявлення країв під певними кутами на зображенні сонара.

Замість того, щоб вивчати ці фільтри під час навчання, модель використовує попередньо визначені напрямки, тоді як механізм спрямованої уваги визначає найважливіші кути в кожній частині морського дна. Це дозволяє моделі зосередитися на значущих структурах та допомагає розрізняти регулярні форми корабельних аварій від шуму та випадкових візерунків морського дна.

Дослідники оцінили SW-Net за сімома встановленими моделями сегментації, використовуючи публічний набір даних, що містить реальні зображення гідролокатора корабельних аварій. SW-Net досяг найкращих результатів у порівнянні, отримавши як найвищу точність перекриття, так і найвищий бал F1.

Модель також продемонструвала високу обчислювальну ефективність. Маючи близько 4 мільйонів параметрів, SW-Net був значно меншим за інші протестовані моделі. Він також може обробляти зображення сонара зі швидкістю приблизно 45 кадрів на секунду на одному графічному процесорі, що робить можливим використання в режимі реального часу. Це може дозволити автономному підводному апарату виявляти та позначати потенційні кораблетрощі під час обстеження, не покладаючись на подальшу обробку на окремому комп’ютері.

Дослідники також визначили два основні обмеження моделі. По-перше, SW-Net іноді може помилково сприймати високовідбивні скельні утворення за уламки кораблів, що призводить до хибнопозитивних результатів. По-друге, він може не виявляти корабельні уламки, які щільно вкриті осадовими породами або сильно фрагментовані. У цих випадках може залишитися занадто мало оригінальної структури, щоб спрямовані фільтри могли визначити чіткий візерунок, що призводить до хибнонегативних результатів.

Щоб зменшити кількість хибнопозитивних результатів, дослідники пропонують поєднувати дані сонара з інформацією від інших типів датчиків. Щоб зменшити кількість хибнонегативних результатів, вони пропонують використовувати кілька сканувань сонара з різних кутів або в різний час, що може покращити виявлення, особливо для тих місць кораблетрощ, які маскуються важкими осадовими породами.

Раніше NV Техно писав, що румунська технологічна компанія Oves Enterprise повідомила про успішне проведення перших випробувань крилатої ракети Sahara, яка використовує технології штучного інтелекту для навігації та коригування польоту.

В Oves Enterprise зазначили, що розробка крилатої ракети є складним завданням, однак їм вдалося завершити перший етап випробувань системи Sahara. Метою проєкту є створення високотехнологічної крилатої ракети, яка працюватиме на основі платформи штучного інтелекту Nemesis.