IMAFD：一种面向时序多光谱数据的可解释性灾害检测的多阶段方法
计算机视觉与模式识别
2024-05-14 v1 人工智能
机器学习
摘要
本文针对灾害检测领域的两个关键挑战：大规模时序变化检测的计算成本高以及可解释人工智能(XAI)方法缺乏可解释的决策过程，提出了一种可解释的多阶段灾害检测方法——IMAFD。该方法提供了一个自动、高效且可解释的解决方案，适用于大规模遥感任务，并能洞察决策过程。IMAFD 将动态时序图像序列分析用于识别可能出现洪水的图像，结合图像内部的语义分割分析。它将图像级和像素级的异常检测与语义分割相结合。通过四个阶段来解决灾害检测问题：(1) 在序列层面：识别疑似图像；(2) 在多图像层面：检测疑似图像内的变化；(3) 在图像层面：将图像分割为土地、水体或云类；(4) 决策阶段。我们的贡献有两方面：首先，通过提供一种多阶段综合方法，有效降低了密集变化检测所需处理的帧数；其次，所提出的语义变化检测方法(第 3 步)为人类用户提供了可解释的决策过程，而大多数可解释人工智能(XAI)方法仅提供事后解释。在三个数据集上评估了IMAFD框架：WorldFloods、RavAEn 和 MediaEval。所有数据集上，该框架均在其他方法之上，同时具备可解释性和洞察性。
引用
@article{arxiv.2405.07916,
title = {IMAFD: An Interpretable Multi-stage Approach to Flood Detection from time series Multispectral Data},
author = {Ziyang Zhang and Plamen Angelov and Dmitry Kangin and Nicolas Longépé},
journal= {arXiv preprint arXiv:2405.07916},
year = {2024}
}