用于冰川崩解前缘检测与分割的像素级距离回归
计算机视觉与模式识别
2022-05-04 v1
摘要
冰川崩解前缘位置(CFP)是一项重要的冰川学变量。传统上，CFP的描绘依赖人工完成，主观、繁琐且昂贵。自动化该过程对于持续监测冰川演变与状态至关重要。近来，深度学习方法是该应用的研究方向。然而，现有方法受困于严重的类不平衡问题。本文中，我们提议通过将分割问题重构为像素级回归任务，来缓解崩解前缘类与非崩解前缘类之间的类不平衡。优化一个卷积神经网络以预测图像中每个像素到冰川前缘的距离值。所得距离图定位CFP，并进一步经后处理提取崩解前缘线。我们提出三种后处理方法：一种基于统计阈值，第二种基于条件随机场(CRF)，以及最后使用第二个U-Net。实验结果证实，我们的方法显著优于现有最优方法并产出精确描绘。第二个U-Net取得最佳性能，带来约21%的Dice系数平均提升。
引用
@article{arxiv.2103.05715,
title = {Pixel-wise Distance Regression for Glacier Calving Front Detection and Segmentation},
author = {Amirabbas Davari and Christoph Baller and Thorsten Seehaus and Matthias Braun and Andreas Maier and Vincent Christlein},
journal= {arXiv preprint arXiv:2103.05715},
year = {2022}
}