SEnSeI：用于创建传感器无关云掩膜深度学习模块
计算机视觉与模式识别
2022-03-16 v1 信号处理
摘要
我们引入了一种新颖的神经网络架构——传感器无关光谱编码器（SEnSeI，Spectral ENcoder for SEnsor Independence）——通过它，多个具有不同光谱波段组合的多光谱仪器可用于训练一个通用的深度学习模型。我们聚焦于云掩膜问题，使用了多个已有数据集以及一个新的、自由可用的 Sentinel-2 数据集。我们的模型在训练所用卫星（Sentinel-2 与 Landsat 8）上达到了 SOTA 性能，并能够外推至训练时未见的传感器，如 Landsat 7、PerúSat-1 与 Sentinel-3 SLSTR。结果表明，当训练中使用多颗卫星时模型性能提升，接近或超越专用的单传感器模型性能。本工作的动机在于遥感界可获取由种类繁多的传感器所采集的数据，这不可避免地导致针对不同传感器分别进行标注工作，鉴于深度学习模型需要海量训练集才能最优发挥，这种做法限制了模型性能。传感器无关性可使深度学习模型同时利用多个数据集进行训练，从而提升性能并大幅拓展适用范围。这可能促使深度学习方法更频繁地用于星上应用及地面段数据处理，此类场景通常要求模型在发射时或其后不久即就绪。
引用
@article{arxiv.2111.08349,
title = {SEnSeI: A Deep Learning Module for Creating Sensor Independent Cloud Masks},
author = {Alistair Francis and John Mrziglod and Panagiotis Sidiropoulos and Jan-Peter Muller},
journal= {arXiv preprint arXiv:2111.08349},
year = {2022}
}
备注
22 pages, 7 figures. This is an accepted version of work to be published in the IEEE Transactions on Geoscience and Remote Sensing