用于冰川前端分割的 AMD-HookNet
计算机视觉与模式识别
2023-03-07 v1
摘要
关于冰川崩解前端位置变化的知识对于评估冰川状态很重要。遥感影像为监测崩解前端位置提供了理想的数据库，然而，由于时间限制，对全球所有崩解冰川手动执行此任务是不可行的。基于深度学习的方法在从光学和雷达卫星影像中描绘冰川崩解前端方面展现出了巨大的潜力。崩解前端被表示为海洋和冰川之间的一条细线，这使得该任务容易受到不准确预测的影响。带标注的冰川影像的有限可用性导致数据缺乏多样性（数据中并未包含不同天气条件、末端形状、传感器等的所有可能组合），这加剧了精确分割的难度。在本文中，我们提出了 Attention-Multi-hooking-Deep-supervision HookNet (AMD-HookNet)，一种用于合成孔径雷达 (SAR) 图像的新型冰川崩解前端分割框架。所提出的方法旨在基于双分支 U-Net，通过低分辨率和高分辨率输入之间的多次信息交互来增强特征表示能力。集成到双分支 U-Net 中的注意力机制旨在在相应的粗粒度和细粒度特征图之间进行交互。这使得网络能够自动调整特征关系，从而实现准确的像素分类预测。在具有挑战性的冰川分割基准数据集 CaFFe 上的大量实验和比较表明，我们的 AMD-HookNet 达到了 438 m 的平均距离误差，比当前 SOTA 提高了 42%，验证了其有效性。
引用
@article{arxiv.2302.02744,
title = {AMD-HookNet for Glacier Front Segmentation},
author = {Fei Wu and Nora Gourmelon and Thorsten Seehaus and Jianlin Zhang and Matthias Braun and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2302.02744},
year = {2023}
}