用于火山活动检测的自主监督对比学习
计算机视觉与模式识别
2022-02-09 v1 图像与视频处理
摘要
由干涉合成孔径雷达（InSAR）数据测得的地表形变被视为火山活动不安（unrest）的标志，在统计上与火山喷发相关。近期研究展示了利用 Sentinel-1 InSAR 数据与监督深度学习（DL）方法检测火山形变信号、以服务于全球火山灾害减缓的潜力。然而，检测精度受限于标注数据缺乏与类别不平衡。为克服此问题，通常使用合成数据对基于 ImageNet 数据集预训练的 DL 模型进行微调。该方法在真实 InSAR 数据上泛化性差。本快报提出使用自主监督对比学习来学习未标注 InSAR 数据中隐藏的优质视觉表征。我们基于 SimCLR 框架的方法提供了一种不需要专门架构、也不需要大型标注或合成数据集的解决方案。我们表明，相较于 SOTA 方法，我们的自主监督流程取得了更高精度，并对分布外测试数据也展现出优异泛化性。最后，我们展示了该方法在检测近期冰岛 Fagradalsfjall 火山喷发前活动事件中的有效性。
引用
@article{arxiv.2202.04030,
title = {Self-supervised Contrastive Learning for Volcanic Unrest Detection},
author = {Nikolaos Ioannis Bountos and Ioannis Papoutsis and Dimitrios Michail and Nantheera Anantrasirichai},
journal= {arXiv preprint arXiv:2202.04030},
year = {2022}
}
备注
5 pages, 3 figures