高光谱卫星数据在轨云分割与分类的深度学习
计算机视觉与模式识别
2024-03-14 v1 图像与视频处理
摘要
本文探索了用于高光谱卫星星上云检测的最新卷积神经网络 (CNN)。评估了最新的一维 CNN (1D-Justo-LiuNet) 和两个近期二维 CNN (nnU-net 和 2D-Justo-UNet-Simple) 在云分割与分类方面的性能。评估标准包括在轨部署的精度和计算效率。实验利用 NASA 的 EO-1 Hyperion 数据，并在主成分分析后使用不同数量的光谱通道。结果表明，1D-Justo-LiuNet 达到了最高精度，优于二维 CNN，同时在较大光谱通道集下保持紧凑性，尽管推理时间有所增加。然而，当通道数量显著减少时，一维 CNN 的性能会下降。在此背景下，2D-Justo-UNet-Simple 在考虑精度、内存和时间成本的情况下，为在轨部署提供了最佳平衡。虽然 nnU-net 适用于地面处理，但对于高精度应用，建议部署轻量级 1D-Justo-LiuNet。或者，对于在轨时序与精度之间的平衡成本，推荐使用轻量级 2D-Justo-UNet-Simple。
引用
@article{arxiv.2403.08695,
title = {Deep Learning for In-Orbit Cloud Segmentation and Classification in Hyperspectral Satellite Data},
author = {Daniel Kovac and Jan Mucha and Jon Alvarez Justo and Jiri Mekyska and Zoltan Galaz and Krystof Novotny and Radoslav Pitonak and Jan Knezik and Jonas Herec and Tor Arne Johansen},
journal= {arXiv preprint arXiv:2403.08695},
year = {2024}
}
备注
Hyperspectral Satellite Data, Cloud Segmentation, Classification, Convolutional Neural Networks, Principal Component Analysis