Працює в реальному часі. В Китаї штучний інтелект навчили знаходити затонулі кораблі
Дослідники з Харбінського технологічного інституту створили модель глибокого навчання SW-Net, яка призначена для виявлення слідів корабельних аварій на знімках гідролокатора бокового огляду (ГБО). Модель виявляє характерні для кораблів геометричні форми в режимі реального часу, що дозволяє ефективно аналізувати підводні зображення.
SW-Net використовує фіксовані математичні фільтри для виявлення країв під певними кутами та механізм спрямованої уваги. Для оцінювання ефективності моделі були застосовані сім встановлених моделей сегментації. Дослідники використовували публічний набір даних із реальними зображеннями гідролокатора корабельних аварій. SW-Net досяг найвищої точності перекриття та найвищого бала F1 серед усіх порівнюваних моделей. Важливо зазначити, що модель має близько 4 мільйонів параметрів і може обробляти зображення сонара зі швидкістю приблизно 45 кадрів на секунду на одному графічному процесорі.
Обмеження та виклики SW-Net
Однак, як і будь-яка технологія, SW-Net має свої обмеження. Серед основних проблем є хибнопозитивні результати, які можуть виникати через високовідбивні скельні утворення. Крім того, модель може демонструвати хибнонегативні результати, коли уламки щільно вкриті осадовими породами або сильно фрагментовані. Дослідники пропонують шляхи для подолання цих обмежень, зокрема:
- поєднувати дані сонара з інформацією від інших типів датчиків для зменшення хибнопозитивних результатів;
- використовувати кілька сканувань сонара з різних кутів або в різний час для зменшення хибнонегативних результатів.
У тексті новини згадується затонуле судно Defiance, яке знаходиться на глибині 185 футів в озері Гурон. Це підкреслює актуальність досліджень у цій галузі, оскільки точне виявлення затонулих кораблів може мати значні наслідки для підводних досліджень та охорони навколишнього середовища. Раніше повідомлялося, що румунська компанія Oves Enterprise успішно випробувала крилату ракету Sahara з використанням штучного інтелекту для навігації та коригування польоту, що підкреслює зростаючу роль технологій штучного інтелекту в сучасних дослідженнях і розробках.
Розробка SW-Net демонструє прогрес у використанні штучного інтелекту для підводних досліджень, що може суттєво поліпшити процеси виявлення та аналізу затонулих об'єктів. З огляду на зростаючу кількість корабельних аварій та необхідність збереження екосистем, такі технології можуть стати важливими інструментами для дослідників та екологів у всьому світі. Впровадження подібних моделей може значно полегшити роботу в галузі підводної археології та охорони навколишнього середовища.
У той час як китайські дослідники вдосконалюють технології для виявлення затонулих суден, США також активно розробляють нові рішення для підводних операцій. Наприклад, нещодавно протестували дрон HADALUS, який здатен здійснювати атаки з великих глибин, що може суттєво змінити тактику підводних бойових дій. Ці інновації підкреслюють зростаючу роль технологій у військовій та рятувальній сферах.