用于SAR图像中冰川分割的贝叶斯U-Net
机器学习
2021-05-05 v2 计算机视觉与模式识别
摘要
冰川崩解前缘的波动对整个冰川系统的冰流有重要影响。因此，精确监测崩解前缘的位置十分重要。然而，SAR图像的手动描绘是一项困难、费力且主观的任务。卷积神经网络此前在自动化SAR图像冰川分割中展现出有前景的结果，使其值得进一步探索其可能性。在本工作中，我们提出计算不确定性并将其用于不确定性优化机制作为一种新颖的两阶段过程。通过在U-Net架构中使用dropout作为随机采样层，我们创建了一个概率贝叶斯神经网络。通过多次前向传播，我们创建采样分布，可估计分割掩码中每个像素的模型不确定性。额外的不确定性图信息可作为专家手动标注数据的指导。此外，将不确定性图输入网络实现了95.24%的Dice相似度，相较于最先进的确定性基于U-Net的冰川分割流程，这是分割性能的整体提升。
引用
@article{arxiv.2101.03249,
title = {Bayesian U-Net for Segmenting Glaciers in SAR Imagery},
author = {Andreas Hartmann and Amirabbas Davari and Thorsten Seehaus and Matthias Braun and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2101.03249},
year = {2021}
}