用于冰川分割的边界感知 U-Net
计算机视觉与模式识别
2023-01-30 v1 人工智能
摘要
大规模冰川研究可增进我们对全球冰川变化的理解，并对监测生态环境、预防灾害以及研究全球气候变化影响至关重要。兴都库什—喜马拉雅（HKH）地区的冰川尤其引人关注，因为 HKH 是对气候变化最敏感的地区之一。在本工作中，我们：（1）提出一种改进版 U-Net，用于大规模、空间不重叠的洁净冰川冰与表碛覆盖冰川冰分割；（2）引入一种新颖的自学习边界感知损失，以提升表碛覆盖冰川冰分割性能；（3）提出一种特征级显著度评分，以理解多光谱 Landsat 7 影像中每个特征对冰川制图的贡献。我们的结果表明，使用自学习边界感知损失训练的表碛覆盖冰川冰分割模型优于使用 dice 损失训练的模型。此外，我们得出结论：在 Landsat 7 影像中，红波段、短波红外波段和近红外波段对表碛覆盖冰川冰分割的贡献最高。
引用
@article{arxiv.2301.11454,
title = {Boundary Aware U-Net for Glacier Segmentation},
author = {Bibek Aryal and Katie E. Miles and Sergio A. Vargas Zesati and Olac Fuentes},
journal= {arXiv preprint arXiv:2301.11454},
year = {2023}
}
备注
Vol. 4 (2023): Proceedings of the Northern Lights Deep Learning Workshop 2023