通过类别模糊指数利用多光谱卫星影像提升洪水淹没制图深度主动学习的可解释性
计算机视觉与模式识别
2024-05-29 v1
摘要
洪水淹没制图是应对全球变暖导致洪水风险增加的关键任务。近年来深度学习的显著进步推动了其广泛应用，包括洪水淹没制图。为了应对监督学习中耗时费力的人工标注过程，深度主动学习策略是可行的方法之一。然而，关于深度主动学习策略如何运作的可解释性研究仍然有限，特别是在遥感领域的洪水淹没制图中。在本研究中，我们引入了一个新颖的用于洪水淹没制图的可解释深度主动学习(IDAL-FIM)框架，具体针对多光谱卫星影像的类别模糊性。在实验中，我们使用了Sen1Floods11数据集，并采用了带有MC-dropout的U-Net。此外，我们采用了五种采集函数，即随机、K-means、BALD、熵和边界采集函数。基于实验结果，我们证明了所提出的两个类别模糊指数是解释深度主动学习的有效变量，因为它们与深度学习模型在瓦片级别的预测不确定性建立了统计上显著的相关性。然后，我们通过可视化二维密度图并解释深度主动学习在洪水淹没制图中的运作方式，展示了深度主动学习的行为。
引用
@article{arxiv.2404.19043,
title = {Improving Interpretability of Deep Active Learning for Flood Inundation Mapping Through Class Ambiguity Indices Using Multi-spectral Satellite Imagery},
author = {Hyunho Lee and Wenwen Li},
journal= {arXiv preprint arXiv:2404.19043},
year = {2024}
}
备注
46 pages, 11 figures, 5 tables