SHAZAM：自监督变化监测用于灾害检测与制图
计算机视觉与模式识别
2025-03-04 v1 图像与视频处理
摘要
气候变化导致环境灾害频率的增加，强调了对有效监测系统的迫切需求。当前方法要么依赖昂贵的标注数据集，要么难以应对季节变化，要么需要多次观测才能确认（这会延迟检测）。为应对这些挑战，本工作提出了 SHAZAM——自监督变化监测用于灾害检测与制图。SHAZAM 使用轻量级条件 UNet 为一年中的任意一天生成感兴趣区域（ROI）的预期图像，从而能够直接建模正常的季节变化并区分潜在灾害。改进的结构相似性度量将生成的图像与实际卫星观测进行比较，计算区域级异常分数和像素级灾害地图。此外，基于理论推导的季节性阈值消除了对数据集特定优化的需求。在四个包含林火（野火）、火烧迹地、极端和非季节性降雪、洪水、干旱、藻华和森林砍伐的多样化数据集上评估后，SHAZAM 相比现有方法实现了 0.066 至 0.234 的 F1 分数提升。这主要通过更有效的灾害检测（更高的召回率）实现，同时仅使用了 473K 参数。SHAZAM 通过更高的空间分辨率以及抑制背景特征和同时突出即时与渐进式灾害的能力，展示了优越的制图能力。SHAZAM 已被确立为在不同地理区域和多种灾害类型中有效且通用的灾害检测与制图解决方案。Python 代码可在以下地址获取：https://github.com/WiseGamgee/SHAZAM
关键词
引用
@article{arxiv.2503.00348,
title = {SHAZAM: Self-Supervised Change Monitoring for Hazard Detection and Mapping},
author = {Samuel Garske and Konrad Heidler and Bradley Evans and KC Wong and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2503.00348},
year = {2025}
}
备注
20 pages, 9 figures, 3 tables, code available at: https://github.com/WiseGamgee/SHAZAM