利用多任务和迁移学习提高卫星图像遮罩精度
计算机视觉与模式识别
2024-12-12 v1
摘要
许多遥感应用依赖对卫星图像像素进行遮罩处理以进行后续测量。例如，估计水质变量（如悬浮沉积物浓度 SSC）需要隔离显示水体像素，避免受云、阴影、地形阴影及冰雪形成的影响。一个重要瓶颈是依赖多种数据产品（如卫星图像、高程图），且各步骤精度不足影响测量精度。我们提出通过开发从 Harmonized Landsat and Sentinel (HLS) 影像预测所有所需遮罩的系统来提高遮罩的准确度和计算效率。该模型采用多任务方式共享计算，实现跨任务的更高准确度。我们实验探索近期深度网络架构的最新进展，表明遮罩模型可从这些架构中受益，尤其是当与大规模卫星图像数据集上的预训练相结合时。我们 presented 一系列提供不同速度/准确度权衡的模型进行遮罩。MobileNet 变体最快，与更大架构竞争；Transformer-based 架构最慢，但从大规模卫星图像数据集上的预训练受益最大。我们的模型在水像素识别方面比以前工作提高 9% F1 分数。当集成到 SSC 测量系统时，我们的模型实现 30 倍加速，同时将测量误差降低 2.64 mg/L，实现全球尺度分析。我们还在最近提出的云及云影估计基准测试上对模型进行评估，在 F1 分数上至少领先当前最佳模型 6%。
引用
@article{arxiv.2412.08545,
title = {Improving Satellite Imagery Masking using Multi-task and Transfer Learning},
author = {Rangel Daroya and Luisa Vieira Lucchese and Travis Simmons and Punwath Prum and Tamlin Pavelsky and John Gardner and Colin J. Gleason and Subhransu Maji},
journal= {arXiv preprint arXiv:2412.08545},
year = {2024}
}