基于滤波 Jaccard 损失函数与参数化增强的遥感影像云及云影分割
计算机视觉与模式识别
2021-04-27 v2 机器学习
神经与进化计算
图像与视频处理
摘要
云及云影分割是光学遥感图像分析中的基础处理过程。当前地理空间影像中云/阴影识别方法的精度尚不理想，尤其在存在雪和霾的情况下。本文提出一种基于深度学习的框架，用于检测 Landsat 8 影像中的云/阴影。我们的方法得益于卷积神经网络 Cloud-Net+（我们先前提出的 Cloud-Net \cite{myigarss} 的改进版），其以新颖的损失函数（滤波 Jaccard 损失）训练。所提损失函数对图像中前景目标的缺失更为敏感，并比其他常见损失函数更准确地对预测掩码进行惩罚/奖励。此外，针对云影检测任务开发了一种太阳光方向感知的数据增强技术，通过扩展现有训练集来提升所提模型的泛化能力。Cloud-Net+、滤波 Jaccard 损失函数与所提增强算法的结合在四个公开云/阴影检测数据集上取得了优越结果。我们在 Pascal VOC 数据集上的实验例证了我们所提网络与损失函数在其他计算机视觉应用中的适用性与质量。
引用
@article{arxiv.2001.08768,
title = {Cloud and Cloud Shadow Segmentation for Remote Sensing Imagery via Filtered Jaccard Loss Function and Parametric Augmentation},
author = {Sorour Mohajerani and Parvaneh Saeedi},
journal= {arXiv preprint arXiv:2001.08768},
year = {2021}
}
备注
12 pages. This version is a bit different from the one published in IEEE JSTARS