基于SAR的滑坡分类预训练可改善分割效果
计算机视觉与模式识别
2022-11-21 v1 图像与视频处理
信号处理
摘要
自然灾害后的快速评估对于优先调配应急资源至关重要。就滑坡而言，快速评估包括确定受影响区域的范围并测量单个滑坡的大小和位置。合成孔径雷达（SAR）是一种不受天气条件影响的主动遥感技术。深度学习算法可应用于SAR数据，但训练它们需要大量标注数据集。对于滑坡，这些数据集的制作用于分割任务时十分费力，且通常无法获取事件发生所在特定区域的数据。在此，我们研究用于SAR产品滑坡分割的深度学习算法如何从更简单任务的预训练以及不同区域的数据中受益。我们探索的方法包括两个训练阶段。首先，我们学习识别SAR图像中是否包含任何滑坡的任务。然后，我们在一个稀疏标注场景中学习分割，其中一半数据不包含滑坡。我们测试了在第2阶段中引入源自第1阶段的特征嵌入是否有助于滑坡检测。我们发现，它导致精确率-召回率曲线下面积（AUC）的微小提升，同时也显著降低了无滑坡区域的假阳性率，并改进了图像块中滑坡像素平均数量的估计。更准确的像素计数使得能够以更高置信度识别最受影响的区域。这在全球尺度资源优先调配十分重要的快速响应场景中具有价值。我们的代码公开于 https://github.com/VMBoehm/SAR-landslide-detection-pretraining。
引用
@article{arxiv.2211.09927,
title = {SAR-based landslide classification pretraining leads to better segmentation},
author = {Vanessa Böhm and Wei Ji Leong and Ragini Bal Mahesh and Ioannis Prapas and Edoardo Nemni and Freddie Kalaitzis and Siddha Ganju and Raul Ramos-Pollan},
journal= {arXiv preprint arXiv:2211.09927},
year = {2022}
}
备注
Accepted to the NeurIPS 2022 workshop Artificial Intelligence for Humanitarian Assistance and Disaster Response. This research was conducted as part of the Frontier Development Lab (FDL) 2022