利用空洞卷积增强 Sentinel-1 图像中的海冰分割
图像与视频处理
2023-10-27 v1 计算机视觉与模式识别
摘要
由于遥感数据量不断增长以及安全海上航行所需的低延迟，正在开发机器学习（ML）算法以加速海冰图生成，该任务目前为人工解译。然而，免费获取的 Sentinel-1 合成孔径雷达（SAR）影像信噪比低、冰类型后向散射信号模糊，以及开源高分辨率标注数据稀缺，使得海冰制图自动化颇具挑战。我们使用 Extreme Earth version 2（一个为 ML 训练和评估生成的高分辨率基准数据集）来研究 ML 用于自动海冰制图的有效性。我们定制的流程结合 ResNets 和空洞空间金字塔池化用于 SAR 图像分割。我们研究了模型在以下方面的性能：i) 分割框架中海水与开阔水的二分类；ii) 五类海冰类型的多类分割。对于二分类冰-水分类，使用我们最大训练集训练的模型在 1 月和 7 月测试场景的加权 F1 分数均大于 0.95。具体而言，中位加权 F1 分数为 0.98，表明两个月均高性能。相比之下，竞争性基线 U-Net 在 7 月的加权平均 F1 分数为 0.92 至 0.94（中位 0.93），1 月为 0.97 至 0.98（中位 0.97）。多类冰类型分类更具挑战性，尽管我们的模型相比基线 U-Net 在加权 F1 平均值上提升 2%，测试加权 F1 一般在 0.6 至 0.80 之间。我们的方法可一次性高效分割完整 SAR 场景，比基线 U-Net 更快，保持空间分辨率和维度，且相比依赖块分类的方法对噪声更鲁棒。
引用
@article{arxiv.2310.17122,
title = {Enhancing sea ice segmentation in Sentinel-1 images with atrous convolutions},
author = {Rafael Pires de Lima and Behzad Vahedi and Nick Hughes and Andrew P. Barrett and Walter Meier and Morteza Karimzadeh},
journal= {arXiv preprint arXiv:2310.17122},
year = {2023}
}