[논문 리뷰] SymmetricNet: A mesoscale eddy detection method based on multivariate fusion data

Zhenlin Fan, Guoqiang Zhong|arXiv (Cornell University)|2019. 09. 30.

Underwater Acoustics Research참고 문헌 29인용 수 4

한 줄 요약

이 논문은 대칭 U-Net 아키텍처와 lateral skip connections, dilated convolutions를 사용한 다변량 해양 데이터(해면고도, 해수면 온도, 해류 속도) 융합을 통한 딥러닝 기반 중규모 eddy 탐지 방법인 SymmetricNet을 제안한다. 새로운 다변량 융합 데이터셋에서 97.06%의 정확도를 기록하며, 단일 변수 입력에 의존하는 기존 방법들보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

Mesoscale eddies play a significant role in marine energy transport, marine biological environment and marine climate. Due to their huge impact on the ocean, mesoscale eddy detection has become a hot research area in recent years. Therefore, more and more people are entering the field of mesoscale eddy detection. However, the existing detection methods mainly based on traditional detection methods typically only use Sea Surface Height (SSH) as a variable to detect, resulting in inaccurate performance. In this paper, we propose a mesoscale eddy detection method based on multivariate fusion data to solve this problem. We not only use the SSH variable, but also add the two variables: Sea Surface Temperature (SST) and velocity of flow, achieving a multivariate information fusion input. We design a novel symmetric network, which merges low-level feature maps from the downsampling pathway and high-level feature maps from the upsampling pathway by lateral connection. In addition, we apply dilated convolutions to network structure to increase the receptive field and obtain more contextual information in the case of constant parameter. In the end, we demonstrate the effectiveness of our method on dataset provided by us, achieving the test set performance of 97.06% , greatly improved the performance of previous methods of mesoscale eddy detection.

연구 동기 및 목표

• 해면고도(SSH)에만 의존하는 기존 중규모 eddy 탐지 방법의 한계를 해결하기 위해.
• 더 나은 eddy 세그멘테이션을 위해 다수의 해양학적 변수를 활용할 수 있는 강력한 딥러닝 프레임워크를 개발하기 위해.
• 학습 및 평가를 위해 Copernicus Marine Environment Monitoring Service(CMEMS)에서 유래한 해면고도, 해수면 온도 및 해류 속도를 융합한 새로운 다변량 융합 데이터셋을 구축하기 위해.
• lateral skip connections와 dilated convolutions를 통해 공간적 세부 정보를 유지하면서 의미적 이해를 향상시키는 대칭 네트워크 아키텍처를 설계하기 위해.
• 다양한 데이터셋과 손실 함수를 기반으로 제안된 방법을 최신 기술 모델들과 비교하여 향후 연구를 위한 강력한 베이스라인을 확립하기 위해.

제안 방법

• 제안된 SymmetricNet는 다운샘플링 경로에서 유래한 저수준의 고해상도 특징과 업샘플링 경로에서 유래한 고수준의 의미적 특징을 융합하기 위해 대칭 인코더-디코더 아키텍처와 lateral skip connections를 사용한다.
• 다변량 입력 데이터—SSH(1채널), SST(1채널), 유속(2채널: 동서 및 남북 성분)—는 모델 입력을 위해 단일 4채널 입력 텐서로 융합된다.
• 업샘플링 경로에 dilated convolutions를 적용하여 해상도를 유지하면서 수용영역을 확장함으로써 공간적 세부 정보를 보존하고 정보 손실을 줄인다.
• 불균형 데이터에서의 세그멘테이션 성능 향상을 위해 분류 교차엔트로피와 Dice 손실을 조합한 새로운 손실 함수를 도입한다.
• 모델는 Copernicus Marine Environment Monitoring Service(CMEMS) 위성 데이터에서 유래한 새로 구축된 다변량 융합 데이터셋을 기반으로 학습 및 평가된다.

실험 결과

연구 질문

• RQ1 SSH, SST, 유속 등의 다수의 해양학적 변수를 융합하면 단일 변수 방법에 비해 중규모 eddy 탐지 정확도가 향상되는가?
• RQ2 대칭 U-Net 아키텍처에 lateral skip connections와 dilated convolutions를 통합할 경우, 비정규적인 모양을 가진 중규모 eddy 탐지에 어떤 영향을 미치는가?
• RQ3 교차엔트로피와 Dice 손실을 조합한 하이브리드 손실 함수는 불균형 eddy 탐지 데이터에서 더 나은 세그멘테이션 성능을 이끌어내는가?
• RQ4 단일 변수 및 다변량 데이터셋에서 EddyNet 및 PSPNet과 같은 기존 모델들과 비교할 때 SymmetricNet의 성능은 어떠한가?
• RQ5 제안된 다변량 융합 데이터셋은 향후 중규모 eddy 탐지 연구를 위한 신뢰할 수 있고 효과적인 벤치마크로 기능할 수 있는가?

주요 결과

• SymmetricNet는 다변량 융합 테스트 세트에서 97.06%의 정확도를 기록하였으며, EddyNet보다 3.29%p, PSPNet보다 1.27%p 높은 성능을 보였다.
• lateral 연결과 dilated convolutions를 모두 적용한 모델은 학습 세트에서 97.32%의 정확도, 테스트 세트에서 97.06%의 정확도를 기록하여 강력한 일반화 능력과 내구성을 입증하였다.
• 제안된 하이브리드 손실 함수(교차엔트로피 + Dice)는 테스트 세트에서 가장 높은 정확도(97.06%)를 기록하였으며, 단독 교차엔트로피(94.50%) 또는 단독 Dice 손실(95.60%)을 사용한 모델들보다 뛰어난 성능을 보였다.
• 시각적 비교 결과, SymmetricNet는 지표와 가장 유사한 세그멘테이션 마스크를 생성한 반면, EddyNet은 많은 eddy를 놓쳤고, PSPNet는 정확한 국소화를 보이지 않았다.
• 모델은 모든 네 가지 테스트 세트(SH, SST, 유속, 다변량 융합)에서 일관되게 뛰어난 성능을 보였으며, 다변량 융합 세트에서 가장 높은 정확도(97.06%)를 기록하여 다변수 환경에서의 우수성을 확인하였다.