通过仿真与深度学习打破遥感极限以绘制洪水与泥石流地图
计算机视觉与模式识别
2020-06-11 v1 图像与视频处理
摘要
我们提出一种通过集成深度学习和数值仿真从遥感影像估算淹没深度(最高水位)和泥石流引起的地形形变的框架。水流与泥石流模拟器为各种人工灾害场景生成训练数据。我们表明,基于 Attention U-Net 和 LinkNet 架构、在此类合成数据上训练的回归模型,可以从遥感变化检测图和数字高程模型预测最高水位和地形形变。所提框架具有修复能力,从而缓解遥感图像分析中不可避免的漏检。我们的框架打破了遥感的限制,能够实现淹没深度和地形形变的快速估算,这是包括救援和救灾活动在内的应急响应的重要信息。我们使用合成与真实数据对两起同时引发洪水和泥石流的灾害事件进行实验,并从定量和定性上证明了方法的有效性。
引用
@article{arxiv.2006.05180,
title = {Breaking the Limits of Remote Sensing by Simulation and Deep Learning for Flood and Debris Flow Mapping},
author = {Naoto Yokoya and Kazuki Yamanoi and Wei He and Gerald Baier and Bruno Adriano and Hiroyuki Miura and Satoru Oishi},
journal= {arXiv preprint arXiv:2006.05180},
year = {2020}
}