降低条带间隙对NASA MODIS仪器无监督机器学习模型的影响
计算机视觉与模式识别
2021-08-03 v2 地球与行星天体物理
天体物理仪器与方法
摘要
由于其轨道特性，NASA Terra和NASA Aqua卫星所获取的影像包含条带间隙（swath gaps），即无数据区域。条带间隙可能完全覆盖感兴趣区域（ROI），常导致整幅影像无法被机器学习（ML）模型使用。当ROI极少出现（例如飓风）且出现时部分与条带间隙重叠时，该问题进一步加剧。在有标注数据作为监督的情况下，模型可以学习区分关注区域与条带间隙。然而，标注成本高昂，且目前绝大多数现有数据未标注。因此，我们提出一种增强技术，可大幅消除条带间隙的存在，使CNN能够聚焦于ROI，从而成功利用含条带间隙的数据进行训练。我们在UC Merced土地利用数据集上实验，通过空多边形（面积至多20%）添加条带间隙，再应用增强技术填补条带间隙。我们将在填补后数据上采用我们所提增强技术训练的模型与在原始无条带间隙数据上训练的模型进行比较，注意到高度增强的性能。此外，我们使用激活图进行定性分析，可视化所训练网络不关注条带间隙的有效性。我们还将结果与人类基线比较，表明在某些情况下，填补的条带间隙看起来非常逼真，以至于人类评估者也无法区分原始卫星图像与填补条带间隙后的图像。由于该方法面向无标签数据，它对来自各类空间数据领域的大规模未标注数据集具有广泛的通用性与影响力。
引用
@article{arxiv.2106.07113,
title = {Reducing Effects of Swath Gaps on Unsupervised Machine Learning Models for NASA MODIS Instruments},
author = {Sarah Chen and Esther Cao and Anirudh Koul and Siddha Ganju and Satyarth Praveen and Meher Anand Kasam},
journal= {arXiv preprint arXiv:2106.07113},
year = {2021}
}
备注
Accepted to COSPAR 2021 Workshop on Cloud Computing for Space Sciences