基于全卷积神经网络的合成孔径雷达图像雪崩分割
图像与视频处理
2020-11-09 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
关于雪崩活动的频率和位置的认知对于雪崩灾害的预报与制图至关重要。传统的雪崩活动野外监测存在局限性，尤其是在勘测大面积偏远区域时。近年来，Sentinel-1雷达卫星影像中的雪崩检测技术已得到发展以改善监测。然而，当前基于雷达信号处理技术的最先进检测算法，其精度仍远低于人类专家。为缩小这一差距，我们提出了一种用于检测Sentinel-1雷达图像中雪崩的深度学习架构。我们在来自117幅Sentinel-1图像的6,345个手动标注雪崩上训练了神经网络，每幅图像由六个通道组成，包含后向散射和地形信息。随后，我们在新的SAR图像上测试了训练好的模型。与手动标注（金标准）相比，我们的F1分数达到了66%以上，而最先进的检测算法F1分数仅为38%。对我们深度学习模型生成结果的目视检查表明，仅小型雪崩未被检测到，而一些最初未被人类专家标注的雪崩被发现了。
引用
@article{arxiv.1910.05411,
title = {Snow avalanche segmentation in SAR images with Fully Convolutional Neural Networks},
author = {Filippo Maria Bianchi and Jakob Grahn and Markus Eckerstorfer and Eirik Malnes and Hannah Vickers},
journal= {arXiv preprint arXiv:1910.05411},
year = {2020}
}