一种用于描绘冰川崩解前缘的深度活动轮廓模型
计算机视觉与模式识别
2024-10-28 v1 图像与视频处理
摘要
在机器学习中，如何将现实世界问题编码为机器学习任务是一项重要的设计决策。冰川崩解前缘建模任务通常被视为语义分割任务。近期研究表明，将分割与边缘检测相结合可提高崩解前缘检测器的精度。基于这一观察，我们完全将该任务重新表述为轮廓追踪问题，并提出了一种用于显式轮廓检测的模型，该模型不将任何密集预测作为中间步骤。所提出的方法称为“通过循环自适应描绘轮廓”（COBRA），它结合了用于特征提取的卷积神经网络（CNN）和用于描绘的活动轮廓模型。通过在格陵兰外流冰川的多个大规模数据集上训练和评估，我们表明该方法确实优于上述基于分割和边缘检测的方法。最后，我们证明在量化模型预测不确定性时，显式轮廓检测相较于逐像素方法具有优势。包含代码和动画模型预测的项目页面可在 \url{https://khdlr.github.io/COBRA/} 找到。
引用
@article{arxiv.2307.03461,
title = {A Deep Active Contour Model for Delineating Glacier Calving Fronts},
author = {Konrad Heidler and Lichao Mou and Erik Loebel and Mirko Scheinert and Sébastien Lefèvre and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2307.03461},
year = {2024}
}
备注
This work has been accepted by IEEE TGRS for publication