Detección de derrames de petróleo con redes generativas adversarias condicionales multiescalares con entrenamiento con pocos datos

Investigamos el problema de entrenar un modelo de detección de derrames de petróleo con pocos datos. La mayoría de los modelos de detección de derrames de petróleo basados en aprendizaje automático dependen en gran medida de grandes volúmenes de datos de entrenamiento. Sin embargo, obtener grandes cantidades de datos de observación de derrames de petróleo es difícil en la práctica. Para abordar esta limitación, desarrollamos una red generativa adversaria condicional multiescalar (MCAN) que consiste en una serie de redes adversarias a múltiples escalas. La red adversaria en cada escala consiste en un generador y un discriminador. El generador tiene como objetivo producir un mapa de detección de derrames de petróleo de la manera más auténtica posible. El discriminador intenta lo mejor que puede para distinguir el mapa de detección generado de los datos de referencia. El procedimiento de entrenamiento de MCAN comienza en la escala más gruesa y opera de una manera de grueso a fino. La arquitectura multiescalar captura de manera integral tanto las características globales como locales de los derrames de petróleo, y el entrenamiento adversario mejora el poder representacional del modelo a través de los datos generados. Estas propiedades dotan a la MCAN de la capacidad de aprender con pocos datos de observación de derrames de petróleo. Las evaluaciones empíricas validan que nuestra MCAN entrenada con cuatro imágenes de observación de derrames de petróleo detecta con precisión derrames en nuevas imágenes.