解释用于海岸线检测的语义分割模型
机器学习
2024-05-21 v1
摘要
我们解释了一个用于将海岸线卫星图像分类为陆地和水的深度学习语义分割模型。这是为了建立对模型的信任，并获得对沿海水体提取过程的新见解。具体来说，我们试图了解哪些光谱波段对于预测分割掩码是重要的。这是通过排列重要性方法完成的。结果表明，近红外（NIR）是最重要的光谱波段。排列该波段导致准确率下降38.12个百分点。其次是水汽（Water Vapour）、短波红外1（SWIR 1）和蓝（Blue）波段，分别下降2.58、0.78和0.19个百分点。水汽通常不用于水体指数，这些结果表明它可能对水体提取有用。排列沿海气溶胶（Coastal Aerosol）、绿（Green）、红（Red）、RE1、RE2、RE3、RE4和SWIR 2波段没有降低准确率。这表明它们可以在未来的模型构建中被排除，从而降低复杂性和计算需求。
引用
@article{arxiv.2405.11500,
title = {Interpreting a Semantic Segmentation Model for Coastline Detection},
author = {Conor O'Sullivan and Seamus Coveney and Xavier Monteys and Soumyabrata Dev},
journal= {arXiv preprint arXiv:2405.11500},
year = {2024}
}