Мгновенный поиск по дну: китайская ИИ-модель замечает следы кораблекрушений
Харбинский технологический институт представил нейросетевую модель SW-Net, которая анализирует снимки гидролокатора бокового обзора (ГБО) и без задержек обнаруживает затонувшие суда. Алгоритм выделяет типичные для кораблей геометрические формы, что помогает быстрее обрабатывать подводные изображения. Для русскоязычных специалистов по морской геологии и подводной археологии такие решения означают возможность автоматизировать поиск объектов на больших площадях дна.
В основе работы SW-Net лежат заранее заданные математические фильтры для выявления кромок под определёнными углами, а также механизм направленного внимания. Чтобы проверить эффективность, разработчики сравнили её с семью известными моделями сегментации, используя публичный датасет с реальными сонарными изображениями мест кораблекрушений. Нейросеть показала наилучшие результаты по метрике перекрытия и высший балл F1 среди всех сравниваемых подходов. Модель содержит примерно 4 миллиона параметров и способна обрабатывать сонарные кадры со скоростью около 45 кадров в секунду на одной видеокарте.
Ограничения и проблемные точки SW-Net
У SW-Net есть и слабые места. Ложные срабатывания возникают из-за скальных образований с высокой отражающей способностью, которые визуально похожи на суда. Ложные пропуски появляются, когда обломки плотно укрыты осадками или сильно фрагментированы. Авторы предлагают следующие пути решения:
- объединение сонарных данных с показаниями других типов датчиков позволяет сократить число ложных срабатываний;
- выполнение нескольких сканирований с разных ракурсов или в разные моменты времени снижает риск ложных пропусков.
Актуальность разработки подчёркивает пример судна Defiance, находящегося на глубине 185 футов в озере Гурон. Точное выявление таких объектов важно для подводных исследований и экологической безопасности. Ранее румынская компания Oves Enterprise сообщила об успешных испытаниях крылатой ракеты Sahara, где ИИ использовался для навигации и корректировки маршрута. Вместе с SW-Net это подтверждает растущую роль искусственного интеллекта в современных инженерных и исследовательских проектах.
Внедрение подобных моделей способно заметно упростить работу специалистов, занимающихся подводной археологией, мониторингом шельфа и охраной окружающей среды. В условиях роста числа кораблекрушений и необходимости сохранения экосистем такие технологии становятся важным инструментом для исследователей по всему миру. Разработка китайских учёных показывает, что автоматическая интерпретация гидроакустических данных становится всё более точной и быстрой.
В то время как нейросеть SW-Net демонстрирует впечатляющие результаты в распознавании затонувших кораблей, технологии, связанные с подводными исследованиями, продолжают развиваться. Например, недавние испытания беспилотника HADALUS в США открывают новые горизонты для глубоководных операций, позволяя осуществлять атаки с глубины без всплытия. Это подчеркивает важность интеграции различных технологий в области подводной археологии и безопасности.