Los satélites de radar de apertura sintética están adquiriendo cada vez más importancia en el ámbito de la observación de la Tierra y la vigilancia marítima. En el Capítulo 4, hablamos sobre el reconocimiento de objetos en el mundo de la visión por computadora.
Introducci´ on
La absorción ocurre cuando el objetivo absorbe la radiación, mientras que la transmisión ocurre cuando la radiación pasa a través del objetivo. La reflexión ocurre cuando la radiación se refleja fuera del objetivo y se redirige.
Historia del sensado remoto
El porcentaje de radiación que es reflejada por la superficie terrestre se llama albedo, las superficies claras, como la nieve, tienen valores de albedo muy altos, por lo que la mayor parte de la radiación incidente se refleja, en cambio, las superficies oscuras como el asfalto. o los océanos tienen un albedo muy bajo que refleja un pequeño porcentaje de la radiación incidente [4]. Posteriormente, en 1972, se lanzó el Landsat-1, siendo el primer satélite destinado a la observación de la Tierra.
Caracter´ısticas de las plataformas
La mayoría de los satélites de observación de la Tierra siguen una órbita polar, es decir, con una inclinación de aproximadamente 90 grados sobre el ecuador. La resolución temporal depende del circuito, las características del sensor y el ancho del corte.
Sensado remoto activo mediante radar
La resolución espectral es la capacidad de un sensor de percibir más bandas y más estrechas. Cuanto más estrecho sea el rango de longitud de onda de una banda determinada, más fina será la resolución espectral y cuantas más bandas incluya un sensor, más características obtendrá en esa parte de la superficie.
Radar de apertura sint´ etica
- Introducci´ on
- Principios b´ asicos
- Formato de los datos crudos
- Creaci´ on de im´ agenes
- Particularidades de las im´ agenes SAR
- Resoluci´ on de azimuth y swath
- Modos de operaci´ on
- Polarizaci´ on y scattering
En cambio, la resolución de azimut δa depende de la construcción de la apertura sintética. La penetración de la señal varía según la longitud de onda y el objetivo iluminado.
Sat´ elites existentes y futuros
La misión NISAR [12] está prevista para su lanzamiento en 2023, realizada conjuntamente por la NASA y la Agencia de Investigación Espacial de la India (ISRO). Actualmente ambos satélites de la primera constelación se encuentran en órbita.
Aplicaciones
Esta misión forma parte del programa Copernicus, actualmente el más ambicioso del mundo en materia de observación de la Tierra. Entre sus aplicaciones más destacadas se encuentra el estudio de la dinámica terrestre y el estudio de océanos y masas de agua.
Introducci´ on
Historia
En esos momentos se desarrollaron grandes avances sobre las bases del campo de la IA. En este tipo de sistemas sólo se muestra una característica particular de la inteligencia humana, especializándose en una sola tarea.
Machine Learning
Red Neuronal Artificial
Todos los MLP tienen al menos una capa oculta entre los nodos de entrada y salida de la red, que es responsable de descubrir características de los datos. El entrenamiento de una RNA es la fase más importante de su desarrollo ya que en esta fase los parámetros libres del sistema, es decir, los pesos sinápticos wki y los sesgos bk, se adaptan según los datos de entrada de la red.
Clasificaci´ on de los algoritmos
El aprendizaje no supervisado se caracteriza porque los datos utilizados para entrenar la red no tienen un valor de salida asociado, es el sistema el que aprende las características de la red y las utiliza como experiencia para los pasos posteriores. En la categoría Aprendizaje por refuerzo, el aprendizaje de un mapeo input-output se lleva a cabo a través de la interacción continua con el entorno.
Deep Learning
Redes Neuronales Convolucionales
Mapeo de características: cada capa de la red consta de múltiples mapas de características. Esta operación reduce la sensibilidad del mapa de características de salida a compensaciones y otras formas de distorsión.
ImageNet Large Scale Visual Recognition Challenge (ILSVRC)
Mediante el uso alternativo de capas de convolución y submuestreo, se logra el efecto. Capa de convolución: en esta capa se realiza una operación de convolución entre la matriz de entrada y el núcleo, obteniendo un mapa de características.
Arquitecturas
- LeNet
- AlexNet
- You Only Look Once (YOLO)
- VGG
- ResNet
A continuación, se describe la arquitectura de la red y algunas de las características introducidas en el artículo original. La tasa de aprendizaje se estableció inicialmente en 10-2 y luego se redujo en un factor de 10 cuando la precisión de la validación dejó de mejorar.
Transfer learning
La arquitectura de una red convolucional se divide en capas encargadas de aprender diferentes características de los datos. Una es reemplazar las capas completamente conectadas del clasificador por una nueva y entrenar solo los pesos de estas capas con los nuevos datos.
Introducci´ on
Finalmente, el tercer desafío fue el de la detección de objetos, donde los algoritmos producen una lista de objetos presentes en la imagen junto con los cuadros delimitadores correspondientes para cada instancia detectada, es decir, en este caso puede haber m tantos de un objeto, es decir, e misma categoría. El rendimiento de un modelo de clasificación de imágenes se evalúa utilizando el error promedio de las clases predichas.
Modelos para el reconocimiento de objetos
- R-CNN
- Fast R-CNN
- Faster R-CNN
- YOLO
- Primera versi´ on de YOLO
- Segunda versi´ on de YOLO
- Tercera versi´ on de YOLO
- Cuarta versi´ on de YOLO
En esta primera versión de YOLO, el tamaño de los cuadros delimitadores está limitado por el modelo. Por otro lado, CSPDarknet53 destaca en la detección de objetos en el conjunto de datos de MS COCO.
Introducci´ on
Hiperpar´ ametros
- Tasa de aprendizaje
- Momentum
- Tama˜ no de lote
- N´ umero de ´ epocas
- Weight Decay
Los pesos de la red se actualizan después de cada muestra del conjunto de datos de entrenamiento. Los pesos se actualizan cuando la red se evalúa con cada dato del lote, es decir, al final de cada iteración.
Optimizadores
Descenso por gradiente estoc´ astico en mini-lotes
Adam
Fue presentado por Diederik Kingman de OpenAI y Jimmy Ba de la Universidad de Toronto en 2015. En cambio, Adam mantiene un valor para cada peso en la red que se actualiza por separado.
B´ usqueda de hiperpar´ ametros
Exploraci´ on de hiperpar´ ametros
- B´ usqueda por grilla
- B´ usqueda aleatoria
- Optimizaci´ on bayesiana
Una de las principales desventajas de la búsqueda grillada y aleatoria es que no tienen en cuenta los resultados de evaluaciones anteriores, por lo que, si el espacio de búsqueda está mal delimitado, se producirán muchas evaluaciones innecesarias. . La optimización bayesiana funciona creando un modelo de probabilidad para una función objetivo f(x) previamente definida, como precisión o RMSE, y usándolo para tomar decisiones sobre el siguiente conjunto de hiperparámetros x que usará para evaluar la función.
Validaci´ on Cruzada
- K-fold cross validation
- Monte Carlo Cross Validation
El algoritmo consta de iteraciones del kit y en cada una de las iteraciones se utiliza una de las particiones como conjunto de validación y las k-1 particiones restantes como conjunto de entrenamiento. En Monte Carlo, el porcentaje del conjunto de datos que pertenece a los subconjuntos depende de los desarrolladores.
M´ etricas
- Matriz de confusi´ on
- Precisi´ on
- Recall
- F1-score
- mAP
- IoU
El valor F1 se utiliza para combinar las mediciones de precisión y recuperación en un solo valor. El área bajo la curva de recuperación de precisión se conoce como precisión media (AP).
Introducci´ on
La década de 1990 vio un segundo invierno para las redes neuronales que duró casi una década. En 2009, los grupos de investigación de Microsoft, Google e IBM habían logrado importantes logros en la reducción de errores en el reconocimiento de voz reemplazando modelos basados en modelos de mezcla gaussiana con redes neuronales profundas.
Requerimientos de Hardware
A finales de 2012, Alex Krizhevsky, trabajando en los laboratorios de Geoffrey Hinton, desarrolló una implementación eficiente de redes convolucionales en GPU. Las tareas en tiempo real requieren que se ejecuten sistemas de aprendizaje profundo en los dispositivos para evitar la latencia del envío de datos a los servidores.
Tipos de procesadores
Empresas como Microsoft y Baidu están liderando el camino en el desarrollo de este tipo de soluciones. Este tipo de procesadores se pueden diseñar tanto para entrenamiento como para inferencia.
Servicios en la nube
- Cloud computing y sus caracter´ısticas principales
- Modelos de computaci´ on en la nube
- Infraestructura como servicio (IaaS)
- Plataforma como servicio (PaaS)
- Aplicaci´ on como servicio (SaaS)
- Tecnolog´ıas esenciales para Cloud Computing
- Beneficios de la computaci´ on en la nube
- Desaf´ıos y riesgos
- Proveedores de servicios
- Amazon Web Services
- Microsoft Azure
- Google Cloud Platform
La computación en la nube se basa en el avance de diversas tecnologías. Los servicios prestados por estos centros de datos se denominaron posteriormente computación en la nube.
Problematica detecci´ on de barcos
Conjuntos de datos
En el caso particular de las imágenes SAR, el alto coste de su adquisición, la dificultad para definir cuadros delimitadores y el hecho de ser una aplicación nueva que ha ido creciendo en los últimos años han provocado la dificultad de encontrar una imagen de gran tamaño y creíble. y base de datos de buena calidad. Hay muy pocos conjuntos de imágenes a los que la comunidad puede acceder gratuitamente y los conjuntos de datos utilizados en este trabajo se describirán a continuación.
High Resolution SAR Images Dataset - HRSID
HRSID se divide en un conjunto de entrenamiento, con el 65% de las imágenes, y un conjunto de prueba, con el 35% de las imágenes. Considerando el contexto, las vistas se dividieron en dos grupos, costa afuera y costeras.
SAR Ship Detection Dataset (SSDD)
El área de los cuadros delimitadores y su relación de aspecto fueron dos de las variables consideradas al dividir el conjunto de datos. Las imágenes en el exterior, donde no hay interferencias de otros objetos, son más fáciles de detectar correctamente para los modelos.
Nuestro dataset
Acceso a datos
Los productos de la misión Sentinel 1 siguen una convención de nomenclatura para las carpetas que almacenan la información. El identificador de misión (MMM) nos dice qué satélite realizó la captura, podría ser S1A o S1B.
Subdivisi´ on de la escena
La fecha y hora de inicio y fin del producto se representan con 14 dígitos separados por una T. Bajo el contenido de este directorio se encuentra un archivo de manifiesto con metadatos del producto en formato XML y subdirectorios con los datos de observación. , notas, vistas previas y archivos de soporte.
Creaci´ on de la imagen final
Este software está implementado en el lenguaje de programación Java y se puede utilizar a través de su API. Finalmente, si no desea trabajar mediante código, puede utilizar la interfaz de usuario incorporada (GUI).
Cloud computing
A partir de una red previamente entrenada, las capas más profundas encargadas de detectar colores, bordes o formas de los objetos actuales permanecen invariantes, ya que son útiles para todas las aplicaciones de detección. De esta forma reducimos los costes de computación en la nube a la vez que utilizamos una completa y potente herramienta que nos permite colaborar.
Hiperpar´ ametros
Primera b´ usqueda - Optimizaci´ on Bayesiana
Segunda b´ usqueda - B´ usqueda por grillas
En este punto, con la experiencia de este intento, decidimos hacer una segunda búsqueda de hiperparámetros, esta vez usando la búsqueda en cuadrícula y Google Colab Pro.
Entrenamiento final
Aumento de la resoluci´ on de la entrada
En este caso se propusieron dos variantes de la arquitectura, siendo la única diferencia el tamaño de entrada de las imágenes en el modelo: 416 en el primer caso y 608 en el segundo. Como puede ver en la Tabla 8-3, aumentar la entrada mejora todos los resultados, siendo el resultado obtenido en el conjunto de datos de prueba el que tiene más implicaciones, que es un aumento de 2.
Agregado de conexiones SPP
Se puede ver que la arquitectura sin agregados sigue siendo la de mejor rendimiento en el conjunto de datos de prueba. Si bien la variante con una capa adicional de 3x3 en el bloque SPP obtiene más positivos verdaderos, también tiene más falsos positivos y reduce el IoU promedio en un 2 %.
Elecci´ on del modelo final
Comparaci´ on con la literatura
Resultados de la detecci´ on de barcos
Inferencias sobre HRSID
En la parte inferior de la imagen 8.3a hay barcos que están muy cerca uno del otro y en estos casos el modelo dibuja tres cuadros delimitadores. Vasos incompletos en el borde de la imagen o conjuntos de píxeles que no son vasos.
Detecci´ on en im´ agenes del sat´ elite SAOCOM
La Figura 8.8 muestra algunos ejemplos de detecciones en imágenes obtenidas del satélite SAOCOM 1-A, observando el funcionamiento en escenarios nuevos y complejos. Las Figuras 8.8a, 8.8b y 8.8c muestran múltiples éxitos en la detección de barcos en imágenes del Canal de Suez en contextos con un gran número de barcos o pequeñas áreas de tierra.
Detecci´ on en im´ agenes del sat´ elite Sentinel
Finalmente, podemos decir que el modelo consigue generalizar el conocimiento a nuevas capturas de los satélites SAOCOM 1 y Sentinel 1 con puntos de mejora en el ruido de la imagen y en la detección de barcos cerca de la costa. El trabajo se ha realizado con resultados satisfactorios en la detección de barcos en imágenes SAR, mejorando los valores obtenidos de algunos de los trabajos publicados recientemente, con capacidad de procesar imágenes en tiempo real.
Proceso del sensado remoto
Rango del espectro electromagn´ etico
Sensores pasivos y activos
Esquema del funcionamiento de un radar
Direcci´ on Azimuth, Slant Range y Swath de un sat´ elite
Sistema SAR visto como un array de antenas
Procesamiento de los datos SAR
Efectos de Foreshortening y Layover
Elementos radiantes del SAOCOM
Modos de operaci´ on: (a) Stripmap; (b) ScanSAR; (c) Spotlight
Efecto de scattering sobre diferentes superficies
Penetraci´ on de la onda en diferentes bandas
Modelo no lineal de una neurona
Diagrama de bloques del aprendizaje supervisado
Diagrama de bloques del aprendizaje no supervisado
Diagrama de bloques del aprendizaje por refuerzo
Arquitectura LeNet
Arquitectura AlexNet
Funci´ on de activaci´ on ReLU
Bloque residual
Red neuronal con bloques residuales
Tareas de visi´ on computacional
Red convolucional basada en regiones
Arquitectura YOLO
Componentes de un detector de objetos
Efecto de la tasa de aprendizaje en la b´ usqueda de un m´ınimo. (a) Tasa
Comparaci´ on visual entre los fen´ omenos overfitting y underfitting
A la izquierda se observa un modelo ´ optimo mientras que el modelo de la
Representaci´ on gr´ afica del algoritmo k-fold
Subdivisi´ on de los datos de forma aleatoria
Matriz de confusi´ on binaria con las clases reales en las columnas y las clases
Curva precision-recall para varias clases de un modelo
Intersecci´ on sobre la uni´ on
Organizaci´ on jer´ arquica de los modelos de servicio
Comparaci´ on entre las tecnolog´ıas de m´ aquinas virtuales y contenedores
Estructura del nombre de los productos de la misi´ on Sentinel 1
Esquema del bloque SPP de YOLO v4. De izquierda a derecha est´ an las
Aciertos sobre el conjunto de datos HRSID. (a) (b) Resultado de la detecci´ on
Aciertos sobre el conjunto de datos HRSID. (a) Resultado de la detecci´ on
Falso positivo sobre HRSID. (a) Falso positivo en el borde derecho de la
Ejemplo de errores sobre HRSID. (a) Falso positivo en la zona central de
Errores sobre im´ agenes obtenidas de los sat´ elites TanDEM y TerraSAR-X
SAOCOM Product ® - CONAE - 2022. All Rights Reserved - (a) (b) Imagen
Arquitectura VGG
Arquitectura Darknet-19
Arquitectura Darknet-53
Comparaci´ on entre redes neuronales
Comparaci´ on de YOLO frente a otras arquitecturas
Comparaci´ on entre la tercera y cuarta versi´ on de YOLO
Caracter´ısticas y precios de las distintas versiones de Google Colab
Informaci´ on detallada de las im´ agenes SAR que componen HRSID
Distribuci´ on del tama˜ no de los bounding boxes en HRSID
Resultados obtenidos en la b´ usqueda por grilla
Resultados de la validaci´ on cruzada
Comparaci´ on del mAP(0.5) de YOLO v4 con distintos tama˜ nos de entrada
Comparaci´ on del mAP(0.5) de YOLO v4 con distintos bloques SPP sobre
Cantidad de barcos detectados y no detectados por cada modelo
Resultados obtenidos por diferentes arquitecturas sobre HRSID
Resultados obtenidos por diferentes arquitecturas sobre HRSID dividido en
![Tab. 4.5: Comparaci´ on entre la tercera y cuarta versi´ on de YOLO [40, Tabla 8]](https://thumb-us.123doks.com/thumbv2/123dok_es/12316306.0/61.892.123.774.147.499/tab-comparaci-on-tercera-cuarta-versi-yolo-tabla.webp)
