Echofilter：一种深度学习分割模型改进潮汐能流中回声测深数据的后处理自动化、标准化与时效性
机器学习
2022-08-22 v2 计算机视觉与模式识别
信号处理
摘要
了解潮汐能流中鱼类的丰度与分布，对于评估引入潮汐能装置对栖息地所带来的风险十分重要。然而适用于潮汐能的潮流通常高度湍流，使回声测深数据的解释复杂化。被卷入空气回波污染的水体部分必须从用于生物学分析的数据中排除。采用单一常规算法来识别卷入空气的穿透深度，对于不连续、深度动态、多孔且随潮流速度变化的边界而言是不够的。利用芬迪湾一处潮汐能示范点的案例研究，我们描述了一个基于 U-Net 架构的深度学习模型的开发与应用。我们的模型 Echofilter 对湍流条件的动态范围高度敏感，并对边界位置的精细尺度差异敏感，在移动式下视数据上产生平均误差 0.33m、在固定式上视数据上产生 0.5–1.0m 的卷入空气边界线，不到现有算法解决方案的一半。该模型的整体标注与人工分割高度一致，移动式下视记录的相交并比得分为 99%，固定式上视记录为 92–95%。与手动编辑现有算法生成的线位置所需时间相比，这导致手动编辑时间减少 50%。由于初始自动放置的改进，该模型的实施提高了线放置的标准化与可重复性。
引用
@article{arxiv.2202.09648,
title = {Echofilter: A Deep Learning Segmentation Model Improves the Automation, Standardization, and Timeliness for Post-Processing Echosounder Data in Tidal Energy Streams},
author = {Scott C. Lowe and Louise P. McGarry and Jessica Douglas and Jason Newport and Sageev Oore and Christopher Whidden and Daniel J. Hasselman},
journal= {arXiv preprint arXiv:2202.09648},
year = {2022}
}