[論文レビュー] SymmetricNet: A mesoscale eddy detection method based on multivariate fusion data

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

Underwater Acoustics Research参考文献 29被引用数 4

ひとこと要約

本稿では、対称的U-Netアーキテクチャと側面スキップ接続、拡張畳み込みを用いた、多変数海洋データ（海面高度、海面水温、海洋流速）を統合する深層学習ベースのメソスケール渦検出手法SymmetricNetを提案する。本手法は、新規の多変数統合データセット上で97.06%の精度を達成し、単一変数入力に依存する従来手法を著しく上回る性能を示した。

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.

研究の動機と目的

• 既存のメソスケール渦検出手法が海面高度（SSH）にのみ依存するという制限を是正すること。
• より優れた渦セグメンテーションを実現するため、複数の海洋学的変数を活用できる堅牢な深層学習フレームワークの開発。
• トレーニングおよび評価用に、Copernicus海洋環境監視サービス（CMEMS）の衛星データから得た海面高度、SST、海洋流速を統合した新規の多変数統合データセットの構築。
• 側面スキップ接続と拡張畳み込みを用いて、空間的詳細を保持するとともに、意味的理解を強化する対称的ネットワークアーキテクチャの設計。
• 複数のデータセットおよび損失関数を用いて、最先端モデルと比較して本手法の性能を評価し、今後の研究の強力なベースラインを確立すること。

提案手法

• 提案されたSymmetricNetは、ダウンサンプリングパスからの低レベルで高解像度の特徴と、アップサンプリングパスからの高レベルで意味的豊かな特徴を統合するため、対称的エンコーダ-デコーダアーキテクチャに側面スキップ接続を組み込む。
• 多変数入力データ（SSH：1チャネル、SST：1チャネル、流速：2チャネル（東方向成分および北方向成分））が、モデル入力用に1つの4チャネル入力テンソルに統合される。
• アップサンプリングパスに拡張畳み込みを適用することで、解像度を低下させずに受容 field を拡大し、空間的詳細を保持するとともに情報損失を低減する。
• 不均衡なデータに対してセグメンテーション性能を向上させるために、カテゴリカル交差エントロピー損失とDice損失を組み合わせた新規の損失関数を導入する。
• モデルは、Copernicus海洋環境監視サービス（CMEMS）の衛星データから抽出した新規に構築された多変数統合データセット上でトレーニングおよび評価される。

実験結果

リサーチクエスチョン

• RQ1 海面高度（SSH）、SST、流速といった複数の海洋学的変数を統合することで、単一変数手法に比べてメソスケール渦検出の精度が向上するか？
• RQ2 対称的U-Netアーキテクチャに側面スキップ接続と拡張畳み込みを統合することで、不規則な形状のメソスケール渦の検出にどのような影響を与えるか？
• RQ3 交差エントロピー損失とDice損失を組み合わせたハイブリッド損失関数は、不均衡な渦検出データに対してより優れたセグメンテーション性能をもたらすか？
• RQ4 単一変数および多変数データセットの両方で、EddyNet や PSPNet といった既存のモデルと比較して、SymmetricNet の性能はどのように異なるか？
• RQ5 提案された多変数統合データセットは、今後のメソスケール渦検出研究の信頼性があり効果的なベンチマークとして機能するか？

主な発見

• SymmetricNetは、多変数統合テストセットで97.06%の精度を達成し、EddyNet よりも3.29ポイント、PSPNet よりも1.27ポイント高い性能を示した。
• 側面接続と拡張畳み込みを両方備えたモデルは、トレーニングセットで97.32%、テストセットで97.06%の精度を達成し、優れた汎化性能とロバストネスを示した。
• 提案されたハイブリッド損失関数（交差エントロピー + Dice）は、テストセットで最高の精度（97.06%）を達成し、単一の交差エントロピー損失（94.50%）や単一のDice損失（95.60%）を使用するモデルを上回った。
• 可視化比較では、SymmetricNetが正解マスクに最も近いセグメンテーションマスクを生成した一方、EddyNetは多くの渦を漏れ出し、PSPNetは誤った局所化を示した。
• すべての4つのテストセット（SSH、SST、流速、多変数統合）において、モデルは一貫して優れた性能を示し、多変数シナリオにおいて最も高い精度（97.06%）を記録した。これは、本手法が多変数環境下での優位性を確認するものである。