利用 Sentinel-1 时间序列、GIS 与语义分割模型进行海上风电场实例分割
计算机视觉与模式识别
2023-12-15 v1 人工智能
机器学习
图像与视频处理
摘要
海上风电场代表了一种具有显著全球增长趋势的可再生能源，对其进行监测对领土与环境规划具有战略意义。本研究的主要目标是利用语义分割模型和 Sentinel-1 时间序列在实例层面检测海上风电场。次要目标是： 开发一个由标注数据和 S-1 时间序列组成的数据库； 比较五种深度语义分割架构（U-Net、U-Net++、Feature Pyramid Network - FPN、DeepLabv3+ 和 LinkNet）的性能； 开发一种打乱时间序列内图像位置的新型数据增强策略； 探究时间序列间隔的不同维度（1、5、10 和 15 张图像）； 评估从语义到实例的转换过程。LinkNet 是表现最佳的模型，其次是 U-Net++ 和 U-Net，而 FPN 和 DeepLabv3+ 的结果最差。对语义分割模型的评估表明，时间序列图像的增强使交并比提升了 25%，F-score 指标提升了 18%。该研究展示了数据增强策略缓解偏差并精确检测不变目标的能力。此外，从语义分割到实例分割的转换证明了其在准确分离分类区域内单个实例方面的有效性——这简化了训练数据，并减少了标注工作与复杂度。
引用
@article{arxiv.2312.08773,
title = {Offshore Wind Plant Instance Segmentation Using Sentinel-1 Time Series, GIS, and Semantic Segmentation Models},
author = {Osmar Luiz Ferreira de Carvalho and Osmar Abilio de Carvalho Junior and Anesmar Olino de Albuquerque and Daniel Guerreiro e Silva},
journal= {arXiv preprint arXiv:2312.08773},
year = {2023}
}
备注
21 pages, 5 figures