青岛
近日，中国科学院海洋研究所李晓峰研究员、王凡研究员、天津大学周圆副教授合作提出了深度学习技术在海洋遥感图像信息挖掘的未来发展前景的前瞻观点，文章发表在Journal of Remote Sensing。
过去几十年里，面向海洋研究的遥感卫星、传感器等数据获取方式越来越多，为从大数据中挖掘信息带来了新的任务和挑战。近年来，深度学习技术的发展为解决大数据的信息挖掘需求提供了有力帮助。2020年以来，李晓峰研究员领衔的人工智能海洋学团队证明了从海洋遥感图像中检索大部分信息可以使用现有的深度学习网络框架来完成，即用于语义分割的U-Net和用于目标检测的SSD (Single-shot Multibox Detect)。但随着研究的深度，现有的AI框架无法满足海洋信息挖掘的新需求，深度学习模型需要针对海洋遥感图像的特征进行针对性改进。
该文对未来的深度学习海洋遥感图像模型的设计，提出了两个重要发展方向：
1.在当前深度学习海洋遥感模型中加入各类注意力机制，进行深度学习模型结构改进。注意机制强调全域和局部信息的结合，这也符合多尺度联合分析的海洋问题。
2. 建立基于领域知识(专家知识)指导的深度学习模型。通过海洋领域的理论知识可以降低输入数据的维度自由度，从而降低深度学习模型的训练难度与复杂度。海洋领域知识可分为物理约束和时空数据处理方法。建立深度学习模型时使用多分支网络结构，可以将领域知识集成到建立的模型中。
当前人工智能海洋学模型框架及模型改进指导示意图
文章指出，在未来的海洋遥感图像处理中，应将先进的深度学习模型框架和领域知识 (专家知识)相结合。一方面，注意机制强调全局信息和局部信息的结合，另一方面海洋理论领域知识为深度学习模型提供了更准确的输入特征，降低输入数据的维度自由度。二者相互作用推动人工智能海洋学的发展。
上述研究工作得到了中国科学院海洋大科学研究中心、中国科学院先导科技专项、山东省重大创新工程及国家自然科学基金项目等资助。中国科学院海洋研究所李晓峰研究员为论文第一作者，王凡研究员为通信作者，合作者还包括天津大学周圆副教授。
文章链接：
https://doi.org/10.34133/2022/9849645
本文来源：中国科学院海洋环流与波动重点实验室
