有沒有興趣來個水下探險？

玩一次就可以財務(wù)自由的那種。

[[413559]]

人類航海史最早可以追溯到新石器時代。

在漫長的歲月中，由于天氣、戰(zhàn)爭等各種原因，無數(shù)船只沉入海底。加上近代人類在航空技術(shù)上的進(jìn)步，又有不少航空器由于各種原因葬身水下。

這些長眠于海底的船只、飛機(jī)以及其他物件有些在航行過程中攜帶了大量的金銀珠寶，有些則由于其自己特殊的歷史價值令人趨之若鶩。

比如在大航海時代沉沒的這艘「阿托卡夫人」號，在1985年被發(fā)現(xiàn)時，船上共有超過40噸、價值超4億美元的寶藏。

發(fā)現(xiàn)它的梅爾·費舍爾也因此走上了財務(wù)自由之路。

但顯然下海找船這件事并不是誰都能搞定。

潛入深海需要價值不菲的專業(yè)設(shè)備和人員。這倒是其次，更重要的是：

你可能根本就不知道沉船在哪。

海下沉船是一筆寶貴的公共財產(chǎn)，因此，國家政府機(jī)構(gòu)自然就承擔(dān)起了挖掘和保護(hù)的重任。

在美國，1995年成立的海軍歷史與遺產(chǎn)司令部（NHHC）水下考古分部承擔(dān)著美國在世界各地海底長眠的2,500 多艘沉船和 15,000 多架飛機(jī)殘骸的開發(fā)和保護(hù)工作。

而這其中先找到這些水底殘骸的位置至關(guān)重要。

不久前，NHHC與美國德州大學(xué)開展了一項研究，通過計算機(jī)視覺系統(tǒng)從遙感圖像中找到并確認(rèn)殘骸。

通過測試美國和波多黎各海岸的遙感圖案，準(zhǔn)確率達(dá)到了92%。

研究介紹

作者使用Python完成了所有建模，并在ArcGIS Pro中完成了地理空間分析。

用TensorFlow支持的Keras運行深度學(xué)習(xí)模型，GPU用的是NVIDIA 1080 GEFORCE GTX。

訓(xùn)練數(shù)據(jù)集

訓(xùn)練數(shù)據(jù)包括已確認(rèn)沉船的GPS定位和相關(guān)的測深數(shù)據(jù)。

測深數(shù)據(jù)從美國國家海洋和大氣管理局 （NOAA）數(shù)據(jù)訪問（NOAA’s Data Access Viewer）中獲取，由分辨率為1米的激光雷達(dá)和多波束聲納產(chǎn)生。

沉船GPS坐標(biāo)通過NOAA的沉船和障礙物數(shù)據(jù)庫（AWOIS）獲取。

美國沉船數(shù)據(jù)庫--交互式地圖

沉船訓(xùn)練數(shù)據(jù)中包含163艘沉船，研究人員通過增強(qiáng)沉船數(shù)據(jù)，得出額外247個不同的沉船圖像。

總訓(xùn)練數(shù)據(jù)集包括410艘沉船，410個區(qū)分沉船和地形的背景地形圖塊；而測試數(shù)據(jù)集則額外含有40艘沉船和40個背景地形圖塊，無數(shù)據(jù)增強(qiáng)。

以YOLOv3為架構(gòu)的模型

作者用ArcGIS Pro從高程數(shù)據(jù)（elevation data）中得出山體陰影，以png格式導(dǎo)出包含沉船的山體陰影圖塊，再用微軟的Visual Object Tagging Tool標(biāo)記。

檢測精度極高，檢測速度也飛快，所以研究人員用Joseph Redmon的卷積神經(jīng)網(wǎng)絡(luò)單次檢測器模型YOLOv3為模型架構(gòu)，具體應(yīng)用是基于qqwweee的keras-yolo3和AntonMu的TrainY ourOwnYOLO這兩個GitHub存儲庫開發(fā)。

YOLOv3網(wǎng)絡(luò)框架分為兩個組件：特征提取器和檢測器。

輸入到特征提取器之前，每個圖像會自動調(diào)整為416 × 416像素。

YOLOv3使用的Darknet53能夠輸出三種不同規(guī)模的圖像到檢測器中，檢測器會輸出最合適的邊框，包括預(yù)測的邊框中心點、寬度和高度、置信度和類別標(biāo)簽。

該模型使用遷移學(xué)習(xí)，權(quán)重在ImageNet1000數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練。

模型輸出的圖像里標(biāo)示出沉船的邊框和預(yù)測的置信度分?jǐn)?shù)。

上圖為模型輸出的聲納或激光雷達(dá)山體陰影圖像，標(biāo)識的邊框為預(yù)測的沉船位置和預(yù)測置信度分?jǐn)?shù)。

精確度指標(biāo)

模型性能的精確度指標(biāo)包括接收器操作特征曲線 (AUC-ROC)、精確率-召回率曲線（precision-recall）、總體準(zhǔn)確率、召回率、準(zhǔn)確率和F1分?jǐn)?shù)。

一般來說，AUC-ROC分?jǐn)?shù)在0.7到0.8之間是可以接受的，0.8以上為優(yōu)秀，0.9以上為優(yōu)秀。

AUC-ROC曲線圖

模式與數(shù)據(jù)分析

為了尋找沉船位置和形態(tài)的模式，作者列出了箱線圖和直方圖，用單向方差來分析。

計算得出緊鄰沉船區(qū)域的參數(shù)后，與模型訓(xùn)練中使用的背景地形值進(jìn)行比較。

參數(shù)包括坡度、曲率（描述坡度的整體形狀）、曲率剖面（平行于最大坡度方向）、曲率平面（垂直于最大坡度方向）、殘骸面積、殘骸到岸距離、沉船深度等。

研究結(jié)果

模型的AUC-ROC得分為0.945，其它各項指標(biāo)得分如下圖。

模型的AUC精確率-召回率得分為 0.901。

AUC精確率-召回率得分

和數(shù)據(jù)集中的背景地形圖相比，沉船明顯具有更高的斜率值和曲率值。

與背景地形比較沉船的 (a) 最大斜率、(b) 曲率、(c) 曲率剖面和 (d) 曲率平面的箱線圖。

F比率和p值表示，與背景地形相比，這些參數(shù)中的每一個都傾向于共享不同的沉船值范圍。

所有沉船與背景地形參數(shù)的F比率和p值（alpha= 0.05）

作者假設(shè)沉船到殘骸可見度可能與沉船的保存狀態(tài)相關(guān)，在海水中分解得越多的沉船看起來越不呈矩形。

但這個假設(shè)需要實地驗證，因為很多因素影響沉船的狀態(tài)，包括沉船時間、氧氣情況和湍流等環(huán)境條件。

作者還假設(shè)沉船能見度可能會受到海水透明度的影響。

為了驗證這一假設(shè)，作者創(chuàng)建了一個水清晰度等級，并使用以ArcGIS為底圖的光譜衛(wèi)星圖像，對每個沉船位置的水清晰度進(jìn)行評估。

但由于90%以上的沉船都位于不透明的水域中，這一假設(shè)并不成立。

研究總結(jié)（太長不看版）：

1. 分辨率為3米的激光雷達(dá)和多波束聲納偶爾也能檢測出殘骸，但分辨率為1米的效果更理想。

2. 僅有不到10艘沉船能夠輕易識別出來，大部分沉船僅表現(xiàn)為地形異常。

3. 沉船檢測除了受到測深數(shù)據(jù)的空間分辨率外，還受到水深和海水清晰度的影響。

清晰的沉船殘骸

箭頭所示為不太清晰的沉船殘骸

結(jié)論

作者通過研究驗證了將AI用于水下考古的可能性——提出的深度學(xué)習(xí)的模型檢測出水底沉船精度為0.92，能夠有效檢測出沉船殘骸。

未來通過更大、更多樣的訓(xùn)練數(shù)據(jù)集，可以進(jìn)一步提高模型性能和泛化能力，從而開辟了新的海洋探索方法。

不僅如此，這套訓(xùn)練好的系統(tǒng)已經(jīng)可以從新的數(shù)據(jù)中來預(yù)測沉船或者飛機(jī)的方位，并且還能夠適配于其他格式的數(shù)據(jù)，比如多光譜圖像。

總之，有了AI，科研部門可以更快、更準(zhǔn)地發(fā)現(xiàn)海底沉船了。

作者簡介

論文一作Leila Character是德州大學(xué)奧斯汀分校的在讀博士。她專注于使用機(jī)器學(xué)習(xí)和遙感圖像來識別考古和自然特征。

她可謂是一個跨界研究學(xué)者，將AI應(yīng)用于跨度非常大的專業(yè)中，尤其是考古學(xué)在學(xué)術(shù)界堪稱是一片「藍(lán)?！?。

這項研究的模型還能夠在預(yù)測世界不同地區(qū)陸地和水下不同類型的考古特征之間快速、輕松地切換。

為此，她還將通過這項研究來尋找古瑪雅考古建筑、瑪雅考古遺址的洞穴和羅馬尼亞墓葬的項目。