学习类特定光谱模式以改进基于深度学习的多光谱卫星影像场景级火灾烟雾检测
计算机与社会
2023-10-04 v1
摘要
检测火灾烟雾对于利用卫星影像及时识别早期野火至关重要。然而,火灾烟雾与其他混淆气溶胶(如云和霾)在空间与光谱上的相似性常常令即便最先进的深度学习(DL)模型也产生混淆。尽管如此,这些气溶胶在某些特定波段也呈现 distinct 的光谱特征,此类光谱模式有助于更精确地区分气溶胶。早期研究尝试从特定光谱波段的反射率与亮温推导各种阈值以区分烟雾与云像元。然而,此类阈值基于领域知识确定,难以泛化。此外,此类阈值由特定波段组合手动推导以推断光谱模式,难以用于深度学习模型。本文引入一种称为输入放大(InAmp)的 DL 模块,旨在使 DL 模型能从多光谱卫星影像自动学习类特定光谱模式并提升火灾烟雾检测精度。InAmp 可便捷地集成于不同 DL 架构。我们利用两个卫星影像数据集在不同卷积神经网络(CNN)架构上评估 InAmp 模块的有效性:USTC_SmokeRS,源自中分辨率成像光谱仪(MODIS)含三个光谱波段;以及 Landsat_Smk,源自 Landsat 5/8 含六个光谱波段。实验结果表明 InAmp 模块提升了 CNN 模型的火灾烟雾检测精度。此外,我们利用测试影像可视化 InAmp 模块提取的光谱模式,并证明该模块能有效提取类特定光谱模式。
引用
@article{arxiv.2310.01711,
title = {Learning Class-Specific Spectral Patterns to Improve Deep Learning Based Scene-Level Fire Smoke Detection from Multi-Spectral Satellite Imagery},
author = {Liang Zhao and Jixue Liu and Stefan Peters and Jiuyong Li and Norman Mueller and Simon Oliver},
journal= {arXiv preprint arXiv:2310.01711},
year = {2023}
}
备注
13 pages, 5 figures, 7 tables