基于多任务学习的鲁棒火烧迹地勾绘
计算机视觉与模式识别
2023-09-18 v1
摘要
近年来，野火因其频率和严重程度的不断增加而构成了重大挑战。因此，准确的火烧迹地勾绘对于环境监测和灾后评估至关重要。然而，依赖二值分割模型的传统方法往往难以获得鲁棒且准确的结果，尤其是在从头训练时，这归因于资源有限以及该分割任务固有的不平衡性。我们提出从两方面解决这些局限：首先，我们构建了一个专用数据集以应对资源有限的问题，将 Sentinel-2 数据馈送与哥白尼激活及其他数据源的信息相结合。在该数据集中，我们提供了多项任务的标注，包括火烧迹地勾绘和土地覆盖分割。其次，我们提出了一种多任务学习框架，将土地覆盖分类作为辅助任务，以增强火烧迹地分割模型的鲁棒性和性能。我们比较了不同模型（包括 UPerNet 和 SegFormer）的性能，证明了我们的方法相对于标准二值分割的有效性。
引用
@article{arxiv.2309.08368,
title = {Robust Burned Area Delineation through Multitask Learning},
author = {Edoardo Arnaudo and Luca Barco and Matteo Merlo and Claudio Rossi},
journal= {arXiv preprint arXiv:2309.08368},
year = {2023}
}
备注
Accepted at ECML PKDD 2023 - MACLEAN Workshop (11 pages, 3 figures)