基于注意力U-Net的冰川崩解前缘分割
机器学习
2021-01-12 v1 计算机视觉与模式识别
摘要
确定潮汐冰川状态的一个基本气候变量是崩解前缘位置以及从长期趋势中分离出季节变化。先前的研究提出了基于深度学习的方法以半自动描绘潮汐冰川的崩解前缘。他们使用U-Net分割冰与非冰区域，并在后处理步骤中提取崩解前缘。在本工作中，我们展示了一种利用注意力U-Net（Attention U-Net）以端到端方式从SAR图像中分割冰川崩解前缘的方法。主要目标是研究该应用中的注意力机制。在最先进的U-Net网络中增加注意力模块，使我们能够通过提取其注意力图来分析学习过程。我们将这些图作为工具来搜索合适的超参数和损失函数，以生成更高质量的結果。我们提出的注意力U-Net性能与标准U-Net相当，同时提供了关于网络学习聚焦区域的额外洞察。在最佳情况下，注意力U-Net相比经典U-Net实现了1.5%更高的Dice分数，冰川前缘线预测确定性达237.12米。
引用
@article{arxiv.2101.03247,
title = {Glacier Calving Front Segmentation Using Attention U-Net},
author = {Michael Holzmann and Amirabbas Davari and Thorsten Seehaus and Matthias Braun and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2101.03247},
year = {2021}
}