การเรียนรู้เชิงลึกช่วยให้สามารถตรวจจับภาพไฮเปอร์สเปกตรัมบนตัวยานได้: เส้นทางสำคัญสู่การปรับปรุงความแม่นยำในการตรวจจับเป้าหมาย

ภาพไฮเปอร์สเปกตรัมบนเครื่องบินเกิดจากคุณสมบัติของมันความละเอียดสเปกตรัมสูงและการครอบคลุมเชิงพื้นที่ขนาดใหญ่เป้าหมายไฮเปอร์สเปกตรัมมีการใช้งานที่สำคัญในงานต่างๆ เช่น การระบุลักษณะภูมิประเทศ การเฝ้าระวังในเขตเมือง การสำรวจทางการเกษตร และการประเมินสิ่งแวดล้อม อย่างไรก็ตาม ข้อมูลประเภทนี้มักมีแถบสเปกตรัมจำนวนมาก ความแปรผันของขนาดเป้าหมายขนาดใหญ่ พื้นหลังที่ซับซ้อน และตัวอย่างที่มีป้ายกำกับน้อย ทำให้การตรวจจับเป้าหมายเป็นเรื่องที่ท้าทายอย่างยิ่ง วิธีการจับคู่สเปกตรัมและคุณลักษณะทางสถิติแบบดั้งเดิมนั้นมีข้อจำกัดในการประมวลผลข้อมูลสเปกตรัมและข้อมูลเชิงพื้นที่พร้อมกัน ส่งผลให้ประสิทธิภาพในการตรวจจับเป้าหมายขนาดเล็กและพื้นหลังที่ซับซ้อนมีจำกัด ในช่วงไม่กี่ปีที่ผ่านมา การพัฒนาเทคโนโลยีการเรียนรู้เชิงลึกได้นำเสนอวิธีแก้ปัญหาใหม่สำหรับการตรวจจับเป้าหมายไฮเปอร์สเปกตรัมบนยานพาหนะ โดยการสกัดคุณลักษณะสเปกตรัมและเชิงพื้นที่โดยอัตโนมัติผ่านการฝึกอบรมแบบครบวงจร ทำให้ความแม่นยำและความทนทานของการตรวจจับดีขึ้นอย่างมาก

รูปที่ 1ตัวอย่างภาพไฮเปอร์สเปกตรัมจากดาวเทียม Xiguang-1 01

ในแง่ของวิธีการวิจัยเครือข่ายคอนโวลูชันเชิงสเปกตรัมและเชิงพื้นที่(ชอบ3D-CNNหนึ่งในวิธีการที่พบได้บ่อยที่สุดคือการใช้ CNN แบบไฮบริด (หรือการผสมผสานของทั้งสองแบบ) วิธีการเหล่านี้จะประมวลผลข้อมูลไฮเปอร์สเปกตรัมเป็น...ข้อมูลปริมาตร 3 มิติด้วยการดำเนินการคอนโวลูชันพร้อมกันทั้งในมิติเชิงพื้นที่และเชิงสเปกตรัม ทำให้สามารถจับข้อมูลความต่อเนื่องและโครงสร้างเชิงพื้นที่ระหว่างแถบสเปกตรัมได้ ตัวอย่างเช่น วิธีการ 3D-CNN สำหรับงานระบุพืชผลทางการเกษตรสามารถตรวจจับเป้าหมายขนาดเล็กได้อย่างมีประสิทธิภาพและปรับปรุงความแม่นยำในการตรวจจับโดยรวมผ่านการรวมคุณลักษณะคอนโวลูชันหลายชั้น แต่มีต้นทุนการคำนวณสูงและมีความไวต่อจำนวนตัวอย่างการฝึกอบรม เพื่อเน้นคุณลักษณะของเป้าหมายและลดการรบกวนจากพื้นหลังที่ซับซ้อนกลไกความสนใจเชิงสเปกตรัมและเชิงพื้นที่วิธีการนี้ถูกรวมเข้าไว้ในโครงสร้างเครือข่าย โดยการถ่วงน้ำหนักความสนใจทั้งในมิติสเปกตรัมและมิติเชิงพื้นที่ ช่วยเพิ่มประสิทธิภาพการตอบสนองในแถบความถี่และบริเวณสำคัญ ซึ่งพิสูจน์แล้วว่ามีประสิทธิภาพเป็นพิเศษสำหรับการตรวจจับเป้าหมายขนาดเล็ก ในขณะเดียวกันก็ช่วยเพิ่มความทนทานของแบบจำลองในสภาพแวดล้อมที่ซับซ้อน

รูปที่ 2 แสดงเครือข่าย CNSST ซึ่งใช้การผสมผสานระหว่างสาขาการแปลงแบบขนานและสาขา Transformer เพื่อให้สามารถจดจำเป้าหมายแบบไฮเปอร์สเปกตรัมได้

การผสานรวมคุณลักษณะหลายระดับนี่เป็นอีกหนึ่งเทคโนโลยีสำคัญสำหรับการจัดการกับความแปรผันของขนาดเป้าหมายในภาพไฮเปอร์สเปกตรัมจากดาวเทียม โดยการบูรณาการข้อมูลคุณลักษณะจากเลเยอร์การแปลงแบบต่างๆ หรือโครงสร้างพีระมิด โมเดลสามารถจัดการกับเป้าหมายทั้งขนาดใหญ่และขนาดเล็กได้ ทำให้ได้ผลลัพธ์การตรวจจับที่ดีในสถานการณ์ต่างๆ เช่น อาคารในเมือง ถนน หรือพื้นที่เกษตรกรรม สำหรับปัญหาข้อมูลที่มีป้ายกำกับจำกัด การเรียนรู้แบบถ่ายโอน (Transfer Learning) และการเรียนรู้แบบน้อยตัวอย่าง (Few-shot Learning) ถูกนำมาใช้กันอย่างแพร่หลาย โดยการฝึกฝนโมเดลล่วงหน้าบนข้อมูลการสำรวจระยะไกลขนาดใหญ่หรือชุดข้อมูลไฮเปอร์สเปกตรัมอื่นๆ แล้วปรับแต่งให้เหมาะสมกับงานเฉพาะ จะช่วยลดปัญหาการขาดแคลนตัวอย่าง เร่งความเร็วในการบรรจบกันของการฝึกฝน และรักษาความแม่นยำในการตรวจจับในระดับสูงได้

รูปที่ 3 แสดง MsFNet ซึ่งใช้สถาปัตยกรรมแบบขนานหลายสาขา และผสมผสานการแปลงแบบขยาย การกลไกความสนใจ และการโต้ตอบคุณลักษณะข้ามสเกล เพื่อให้ได้การหลอมรวมแบบไดนามิกเชิงสเปกตรัมและเชิงพื้นที่หลายสเกลในการตรวจจับไฮเปอร์สเปกตรัม

แม้ว่าวิธีการข้างต้นจะมีความก้าวหน้าอย่างมากในการตรวจจับเป้าหมายด้วยคลื่นความถี่สูงบนยานอวกาศ แต่ก็ยังคงมีข้อท้าทายอยู่บ้าง เช่น ความสามารถในการประมวลผลแบบเรียลไทม์ที่ไม่เพียงพอสำหรับข้อมูลขนาดใหญ่ ปัญหาด้านการปรับตัวให้เข้ากับแพลตฟอร์มบนยานอวกาศที่แตกต่างกัน และความยากลำบากในการตรวจจับตัวอย่างขนาดเล็กและเป้าหมายที่หายาก

ทิศทางการพัฒนาในอนาคต ได้แก่ การออกแบบโมเดลน้ำหนักเบาสำหรับการตรวจจับแบบเรียลไทม์ การหลอมรวมข้อมูลหลายรูปแบบเพื่อเพิ่มความแม่นยำในการตรวจจับ การเรียนรู้แบบกำกับตนเองหรือกึ่งกำกับเพื่อลดการพึ่งพาข้อมูลที่มีป้ายกำกับ และโครงสร้างเครือข่ายแบบ Transformer เพื่อจับความสัมพันธ์เชิงสเปกตรัมและเชิงพื้นที่ทั่วโลก โดยรวมแล้ว วิธีการเรียนรู้เชิงลึกได้กลายเป็นเทคโนโลยีหลักสำหรับการตรวจจับเป้าหมายไฮเปอร์สเปกตรัมบนยานพาหนะ คาดว่าจะสามารถปรับปรุงความแม่นยำและความสามารถในการใช้งานของการตรวจจับให้ดียิ่งขึ้นได้ด้วยการปรับปรุงโครงสร้างเครือข่ายและกลยุทธ์การเรียนรู้อย่างต่อเนื่อง ซึ่งจะช่วยสนับสนุนการตรวจสอบระยะไกลและการระบุเป้าหมายบนพื้นผิวได้อย่างแข็งแกร่ง