图1.在格陵兰岛附近拍摄的SAR图像，靶带目标。
我们在C-Core的团队与挪威能源公司EvenInor合作开发自动化软件，这些软件使用深度学习来对SAR图像中的目标进行分类。我们决定通过举办一次演播竞赛来利用AI研究人员全球社区的专业知识。我们研究了竞争中的最佳创意，在Matlab中使用卷积神经网络（CNNS）实施了它们®然后建立可操作使用的软件。
冰山识别挑战
SAR图像的分辨率取决于图像覆盖的区域：专注于相对较小的区域的图像具有比覆盖宽的海洋的宽度，因此更容易分类（图2和3）。在实践中，要从数据集中提取最大的有用信息，我们必须在各级分辨率下的图像，甚至具有目标的图像，只有几个像素宽。
图2.从多个偏振通道（标有HH和HV）创建的易于分类的冰山（右上角）和船舶（右下）的彩色合成图像。
图3.难以分类的冰山（右上角）和船舶（右下）的彩色复合图像。
在我们开始使用深度学习之前，我们使用了对冰山分类的二次判别分析，但这涉及分割图像以将目标像素分离在背景海洋像素中。图像分割是一项挑战，因为海洋条件很大，并且由于差的条件引起的视觉杂波使得难以定义每个目标的轮廓。使用CNNS，因此不需要将目标区分开，因为算法在完整的SAR上培训筹码，包含单个目标的固定尺寸图像。
卡格竞赛
我们的卡格竞赛呈现了一个简单的挑战：开发一种能够自动将目标分类为SAR图像芯片的算法，作为船舶或冰山。竞争的数据集包括沿着拉布拉多和纽芬兰海岸的Sentinel-1卫星收集的多声道SAR数据中提取了5000个图像（图4）。我们的竞争被证明是在卡格上举办的基于图像的最受欢迎的比赛，3343名队伍贡献了47,000多个提交。
图4.沿着纽芬兰海岸和拉布拉多的Sentinel-1卫星收集的SAR数据。
adblu。“Statoil / C-Core iceberg Classifier挑战：船舶或冰山，你可以从太空中决定吗？”阿加尔，2017年11月8日，https://www.kaggle.com/c/statoil- icberg-classifier-challenge/discssion/42108
最正式的条目都使用深度学习。他们的模型共享了许多特性和层，包括卷积，整流线性单元（Relu），MAX池和软MAX层。此外，所有使用的顶部条目都将预测精度从约92％升高到97％。
用Matlab建立我们深入学习模型
使用顶部的卡格条目作为起点，我们使用Matlab和Deep Search Toolbox™开发了我们自己的深度学习模型。我们开始修改深入学习工具箱中提供的简单分类器。在几天之内，我们有一个运作良好的网络。
为了优化网络性能，我们测试了参数值的不同组合，改变，例如，每层中的节点数，卷积层中使用的滤波器大小，在最大池层中使用的池大小等。我们写了一个自动构建，培训和测试10,000个不同CNN的MATLAB脚本，其中这些参数的值在合理的限制和约束范围内随机生成。
我们在结果上执行了一个简单的贪婪搜索，找到七个最高性能的CNN，并使用它们来创建一个合奏。就像卡格赛竞赛获胜者使用的合奏一样，我们的集合将近5％提高了整体准确性。
通过在Matlab工作，在两周内，我们几乎不知道关于CNN分类器的实施，以产生足够常用的解决方案的解决方案。
将分类器集成到完整的系统中
目标歧视是冰山识别的多步骤过程中的一步。该过程还涉及土地掩蔽，消除由陆地对象引起的假检测，以及与地理信息系统软件集成，以生产显示冰山和船舶位置的地图（图5）。
图5.冰山位置在地图上绘制。
当Radarsat Constellation Mission Satellites今年开始生成数据时，我们将通过手动视觉检查进入更多的SAR图像 - 太多用于分析。包含深入学习算法的软件系统，如我们在MATLAB中开发的深度学习算法将使C-Core能够通过准确，快速，自动处理它来实现最大的数据。
