Исследователи МФТИ, МГУ имени М.В. Ломоносова и БФУ имени Иммануила Канта с коллегами предложили лучший способ обучения нейросети. Она автоматически отслеживает плавающий пластик в океане по видео с судов. Новая модель уверенно отличает мусор от птиц, бликов солнца и капель воды на камере. Это позволяет применять ее для круглосуточного мониторинга морских акваторий страны. Результаты проекта, поддержанного грантом Президентского Фонда природы ЭКО-25-2-003542, доступны в журнале Remote Sensing.
Специалисты установили: каждый год Мировой океан принимает до 23 миллионов тонн мусора от деятельности человека. Это наносит серьезный ущерб природной среде. Морские жители гибнут, проглатывая крупные частицы или запутываясь в пластиковых пакетах, сетках. Поэтому критически важно находить скопления пластика и оперативно их устранять.
Проблемы мониторинга и выход
Поиск мусора наблюдателями с кораблей – медленный процесс. Обследовать большие территории моря таким образом почти невозможно. Современная альтернатива! Анализ снимков с дронов или судовых камер. Для точного анализа нужны надежные нейросети. Они должны различать пластик среди похожих объектов: животных, пены, солнечных бликов.
Два пути к интеллектуальному обнаружению
Ученые из ведущих институтов (МФТИ, МГУ имени М.В. Ломоносова, БФУ имени Иммануила Канта) и партнеры создали два метода обучения нейросети. Основой стала огромная база: 136 часов видео с научного судна "Дальние Зеленцы" (Арктика, 2023). Из более 500000 кадров исследователи выделили 10000 с ручной разметкой птиц, мусора, бликов света, капель дождя.
Идея первая: самостоятельный поиск аномалий
Первый подход позволил нейросети учиться почти без ручной разметки. Алгоритму показывали пары снимков разной временной отдаленности. Кадры, сделанные с интервалом в секунду, почти одинаковы. Чем больше разрыв во времени в видео, тем сильнее различия. Научившись фиксировать нормальное состояние моря, нейрось выявляла отклонения: мусор, птиц или необычный блик. Классификатор доучивал ее точно определять источник аномалии.
Идея вторая: классика с учителем
Второй метод требовал больше труда. Алгоритму демонстрировали множество фотографий с уже помеченными объектами. Это позволило ему распознавать похожий мусор, птиц или блики на новых, незнакомых изображениях.
Превосходство самообучающихся алгоритмов
Главная трудность – пластик на снимках встречается крайне редко. Команда целенаправленно меняла соотношение "пустых" кадров и изображений с объектами на разных тренировочных наборах. Итог впечатляет: нейросеть на самообучении показала на 30% более высокую эффективность обнаружения мусора по сравнению с моделью, обученной на ручных примерах.
Такой подход на базе поиска аномалий оказался оптимальным для редких и разнообразных объектов вроде мусора. Он экономит время на разметку тысяч снимков и повышает гибкость ИИ-системы. Для улучшения работы модели необходимо расширить набор данных, включив информацию из разных морских регионов.
Мощь объединенной науки
В этой важной работе также принимали участие эксперты из Института океанологии имени П.П. Ширшова РАН и Государственного океанографического института имени Н.Н. Зубова. Совместная работа ведущих научных центров дает надежду на чистые моря!
Источник: indicator.ru
