一种用于分割水库周围人造物体的端到端两阶段深度学习工作流
计算机视觉与模式识别
2023-02-09 v2 机器学习
图像与视频处理
摘要
水库是水资源管理的基础设施。其周围的建筑会对水质产生负面影响。此类违章建筑可以通过土地覆盖制图（LCM）遥感（RS）图像进行监测。本文中，我们开发了一种基于深度学习（DL）和图像处理技术的新方法，用于分割水库周围的人造物体。为了在端到端流程中分割水库周围的人造物体，分割水库并识别其周围的感兴趣区域（RoI）是必不可少的。在提出的两阶段工作流中，首先使用 DL 模型分割水库。提出了一个后处理阶段来去除诸如浮水植物等错误。接下来，使用提出的图像处理技术识别水库周围的感兴趣区域（RoIaR）。最后，使用 DL 架构分割 RoIaR 中的人造物体。我们使用收集到的巴西八个水库在两个不同年份的 Google Earth（GE）图像训练了所提出的工作流。训练了基于 U-Net 和基于 SegNet 的架构来分割水库。为了分割 RoIaR 中的人造物体，我们训练并评估了四种可能的架构：U-Net、FPN、LinkNet 和 PSPNet。尽管收集的数据具有很高的多样性（例如，它们属于不同的州、季节、分辨率等），我们在两个阶段都取得了良好的性能。此外，将提出的后处理应用于水库分割的输出，在除两个情况外的所有研究水库中提高了精度。我们用训练水库之外的一个水库数据集验证了所准备的工作流。结果表明，所准备的工作流具有较高的泛化能力。
引用
@article{arxiv.2302.03282,
title = {An End-to-End Two-Phase Deep Learning-Based workflow to Segment Man-made Objects Around Reservoirs},
author = {Nayereh Hamidishad and Roberto Marcondes Cesar Junior},
journal= {arXiv preprint arXiv:2302.03282},
year = {2023}
}
备注
21 pages, 13 figures