Ortak optimizasyona dayalı sisli su yüzeyi hedef tespit modeli

Suda daha net görüşlerin önemi

Gemi, feribot ve küçük insansız tekneler, diğer gemileri ve engelleri fark etmek için giderek daha fazla kamera ve yapay zekâya dayanıyor. Ancak sis veya pus olduğunda kameralar, özellikle dalgalar, parlama ve mesafenin nesneleri zaten zorlaştırdığı açık sularda, yıkanmış ve bulanık bir dünya görüyor. Bu çalışma, sisli görüntüleri akıllıca temizlemenin ve küçük tekneleri daha güvenilir biçimde tespit etmenin bir yolunu araştırıyor; amaç kötü görüş şartlarında seyrin daha güvenli hâle gelmesi.

Sis, küçük tekneler ve zorlu bir görme problemi

Açık bir günde, modern nesne tespit sistemleri genellikle bir görüntüde arabaları, insanları ve tekneleri yüksek doğrulukla bulabiliyor. Ancak sisli sahnelerde kontrast düşer, kenarlar yumuşar ve renkler solar; bu yüzden küçük hedefler neredeyse arka plana karışır. Keskin görüntülerde iyi çalışan standart derin öğrenme tespitçileri, özellikle drone’lar veya kıyı kameraları geniş alanları izlerken ve her tekne yalnızca birkaç piksel kapladığında bu zayıf konturları sıkça kaçırır. Mevcut yaklaşımlar ya tespit modellerini doğrudan puslu görüntüler üzerinde yeniden eğitiyor, ya tespitten önce ayrı bir sis giderme adımı zincirliyor ya da birkaç görevi tek bir paylaşılan ağda birleştiriyor. Her strateji fayda sağlıyor, ancak hiçbiri sis ve suda küçük hedeflerin birleşik zorluklarını tamamen aşamıyor.

Sisi görmeyi öğrenen ortak bir sistem

Yazarlar, sorunu aynı anda iki açıdan ele alan DTDJO adlı ortak bir sistem öneriyor. Birincisi, uzmanlaşmış bir sis giderme ağı ham sisli görüntüyü alıp daha net yapı ve kontrastı geri kazanmaya çalışıyor; özellikle küçük teknelere ait olabilecek ince detayları korumaya odaklanıyor. İkincisi, geliştirilmiş bir tespit ağı temizlenen görüntüyü inceleyerek hedefleri bulup sınıflandırıyor. Bu iki kısmı ayrı ayrı eğitmek yerine sistem uçtan uca optimize ediliyor; böylece sise müdahale etme öğrenimi nihai hedef olan doğru nesne tespitine göre yönlendiriliyor. Bu ortak eğitim, sis giderme adımının yalnızca en güzel görüntüyü üretmek yerine tespit için en önemli özellikleri vurgulamasını teşvik ediyor.

İnce detaylara dikkat etmek

Sis giderme bölümünü daha etkili kılmak için araştırmacılar ağın görüntü özelliklerine nasıl dikkat ettiğini yeniden tasarlıyor. Farklı boyutlardaki desenlere bakan ve aynı zamanda önemli yapıların görüntü genelinde nerede yer aldığını izleyen çok ölçekli bir modül tanıtıyorlar. Bu, sistemin küçük, uzak hedeflere ait keskin kenarları ve ince dokuları geri getirmesine yardımcı oluyor. Ayrıca erken ve derin katmanlardan gelen bilgilerin nasıl birleştirildiğini rafine ediyorlar, böylece ince piksel detayları ve daha yüksek düzey desenler birbirlerini destekliyor, yarışmıyor. Yöntemi pratik tutmak için daha ağır matematiksel blokların yerine daha az hesaplama gerektiren hafif bloklar kullanılıyor; bu da kaliteyi feda etmeden işlem hızını artırıyor.

Tespitçinin küçük teknelere odaklanmasına yardımcı olmak

Temizlenen görüntüyü iyileştirmek hikâyenin yalnızca yarısı. DTDJO’nun tespit bölümü modern tek aşamalı bir detektöre dayanıyor, ancak yazarlar faydalı sinyalleri güçlendiren ve karışık arka planı bastıran karışık bir dikkat (mixed attention) modülü ekliyor. Bu modül, hangi görüntü kanallarının en bilgilendirici olduğuna dair bilgi ile mekânda en ilgili bölgelerin nerede bulunduğu bilgisini birleştiriyor. Sisli su sahnelerinde bu, teknelerin zayıf şekillerini vurgulamak ve dalgalar, yansımalar ile gökyüzünün etkisini azaltmak anlamına geliyor. Ekip ayrıca popüler tespit kıyas setlerini fiziksel bir saçılma modeli kullanarak gerçekçi sis ekleyerek yeni eğitim setleri oluşturuyor; bu sayede sistemi hem genel sahnelerde hem de suya özgü görüntülerde test edebiliyorlar.

Puslu gerçek dünya sahnelerinde ölçülen kazanımlar

Yeni sisli drone ve karışık su sahnesi veri kümeleri üzerinde test edildiğinde, DTDJO standart detektörleri ve diğer sis farkında yöntemleri tutarlı biçimde geride bırakıyor. Daha fazla küçük ve uzak nesne tespit ediyor, daha az tekne kaçırıyor ve kısmen birbirini gizleyen üst üste binen hedefleri ayırmada daha başarılı oluyor. Güçlü bir temel detektörle karşılaştırıldığında, ortak sistem her iki veri kümesinde de ortalama tespit doğruluğunu birkaç yüzde puan yükseltiyor; bu tür zorlu koşullarda önemli bir kazanımı temsil ediyor. Aynı zamanda tasarımı bazı daha ağır çok görevli modellerin hesaplama maliyetinin oldukça altında kalıyor, bu da gerçek zamanlı kullanım için daha uygun hâle getiriyor.

Daha güvenli seyrin daha net yolları

Basitçe söylemek gerekirse, bu çalışma görüntü temizleme adımını ve nesne tespitçiyi birlikte eğitmenin kameraların sisli ortamda küçük tekneleri daha güvenilir biçimde görmesine yardımcı olabileceğini gösteriyor. Puslu bir görüntünün hangi kısımlarının hedef bulmak için gerçekten önemli olduğunu öğrenerek sistem görüşü gerektiği kadar temizliyor ve tespitçinin doğru detaylara odaklanmasını sağlıyor. Çalışma su yüzeyleri ve drone veya kıyı kameralarına odaklansa da aynı fikir kıyı limanlarından nehir ve terminallere kadar birçok düşük görüş koşulunda daha güvenli seyrin ve gözetimin desteklenmesine yardımcı olabilir.

Atıf: Zhang, H., Wang, H. Foggy water surface target detection model based on joint optimization. Sci Rep 16, 15693 (2026). https://doi.org/10.1038/s41598-026-44144-w

Anahtar kelimeler: sisli nesne tespiti, su yüzeyi görüntüleme, görüntü sis giderme, küçük tekne tespiti, denizel bilgisayarlı görü