Мониторинг Земли с орбиты — сложная и полная неожиданностей задача. Облака заслоняют обзор, солнце создает глубокие тени, а сама траектория полета может неделями проходить над одной и той же областью. Традиционному программному обеспечению трудно справляться с таким непостоянством условий, и оно сбивает с толку стандартные алгоритмы глубокого обучения. Особенно страдают спутники на низкой околоземной орбите (НОО). Из-за облачности они могут не получать снимки некоторых участков планеты больше месяца. За это время, например, может вырасти урожай на полях, случиться наводнение или извержение вулкана.
Ученые Технического университета Клуж-Напоки (Румыния) выяснили, что помочь с решением этой проблемы могут биоинспирированные жидкие нейросети. Они умеют работать с данными, которые поступают неравномерно, и заполнять большие пробелы там, где обычные методы не справляются. Работа опубликована в журнале Remote Sensing.
Неравномерный поток данных
Большинство нейросетей глубокого обучения — как в беспилотных автомобилях — рассчитаны на регулярный и быстрый поток данных. Это позволяет замечать небольшие отклонения и точнее настраивать ИИ-модель. Однако при наблюдении за Землей информация приходит с перебоями. Сверточные нейросети и визуальные трансформеры эффективны при частой съемке. Но при долгих паузах эти архитектуры теряют нить изменений и уже не могут корректно распознать фазы роста урожая или очертить границы лесного пожара.
Жидкие нейросети
Среди новых методов обработки спутниковых снимков выделяются жидкостные нейросети. Они вдохновлены нервной системой микроскопического круглого червя Caenorhabditis elegans, у которого всего 302 нейрона. В отличие от традиционных моделей, такие нейросети используют обыкновенные дифференциальные уравнения. Это позволяет им обрабатывать информацию, которая поступает с перерывами.
Поскольку дифференциальные уравнения не требуют много ресурсов, жидкий ИИ в будущем сможет использоваться на небольших чипах с низким энергопотреблением — вероятно, прямо на спутниках.
Авторы считают, что пока рано говорить о прорыве. Ученые проанализировали 61 научную работу, опубликованную с 2018 по 2026 год, и лишь в 16% из них использовались жидкостные нейронные сети. К тому же во многих случаях алгоритм проверяли только в одном регионе и не учитывали энергозатраты на вычисления. Однако исследователи уверены, что в перспективе станет больше возможностей убедиться в преимуществах нового метода. Космические агентства и частные компании активно запускают новые спутники. А значит, растет и объем данных, на которых можно обучать жидкие ИИ-модели.
Ранее Наука Mail рассказывала, как «Геоскан» создал трехмерную модель города по спутниковым снимкам.