利用视觉Transformer从合成InSAR数据中学习：以火山活动检测为例
图像与视频处理
2022-06-17 v2 计算机视觉与模式识别
摘要
在喷发前以干涉合成孔径雷达（InSAR）数据中的地表形变形式检测火山活动早期的迹象，对于评估火山灾害至关重要。本文将此视为InSAR图像的二分类问题，并提出了一种新颖的深度学习方法，该方法利用丰富的合成干涉图生成源来训练高质量的分类器，这些分类器在真实干涉图上表现同样良好。该问题的不平衡性（正样本数量少几个数量级）加之缺乏带标签的InSAR数据标注库，对常规深度学习架构构成了挑战性任务。我们提出了一种用于域适应的新框架，其中我们利用视觉Transformer从合成数据中学习类原型。我们报告的检测精度在大型火山活动检测测试集上达到了已报道的最高精度。此外，我们利用模型从未标注真实InSAR数据集生成的伪标签，在学习到的表示与原型空间之间学习一种新的非线性投影，从而在此基础上构建知识。这带来了新的最先进水平，在我们的测试集上达到97.1%的准确率。我们通过用我们最优的transformer-原型模型生成的伪标签在未标注真实InSAR数据集上训练一个简单的ResNet-18卷积神经网络，证明了我们方法的鲁棒性。我们的方法在无需手动标注任何样本的情况下显著提升了性能，为在各种遥感应用中进一步利用合成InSAR数据开辟了道路。
引用
@article{arxiv.2201.03016,
title = {Learning from Synthetic InSAR with Vision Transformers: The case of volcanic unrest detection},
author = {Nikolaos Ioannis Bountos and Dimitrios Michail and Ioannis Papoutsis},
journal= {arXiv preprint arXiv:2201.03016},
year = {2022}
}
备注
This work has been submitted to the IEEE for possible publication