结合 UPerNet 与 ConvNeXt 进行航迹云识别以减缓全球变暖
计算机视觉与模式识别
2023-10-10 v1
摘要
语义分割是计算机视觉中的关键工具，应用于自动驾驶与医学影像等诸多领域。本研究聚焦于全球卫星图像中的飞机航迹云检测，以改进航迹云模型并减轻其对气候变化的影响。我们开发了一种针对 NOAA GOES-16 卫星图像的创新数据预处理技术，利用红外通道的亮温数据生成假彩色图像，增强模型感知。为应对类别不平衡，训练数据集仅包含具正航迹云标签的图像。模型选择基于 UPerNet 架构，使用 MMsegmentation 库实现，并集成两种 ConvNeXt 配置以提升性能。带正类权重的交叉熵损失增强了航迹云识别。微调采用 AdamW 优化器，学习率为 。推理阶段，多模型预测融合策略与 0.75 的航迹云判定阈值生成二值预测掩码。使用 RLE 编码高效组织预测结果。该方法取得优异结果，具备高 Dice 系数得分，位居参赛队伍前 5%，凸显了分割模型的创新性及其在卫星图像中增强航迹云识别的潜力。进一步探索见 GitHub 代码与模型：\url{https://github.com/biluko/2023GRIC.git}。
引用
@article{arxiv.2310.04808,
title = {Combining UPerNet and ConvNeXt for Contrails Identification to reduce Global Warming},
author = {Zhenkuan Wang},
journal= {arXiv preprint arXiv:2310.04808},
year = {2023}
}
备注
19 pages, 10 figures