面向地球监测的基础模型：用于自然灾害分割的泛化深度学习模型
计算机视觉与模式识别
2023-06-02 v3 机器学习
摘要
气候变化导致极端天气事件的概率增加，在全球范围内使社会和企业面临风险。因此，自然灾害的近实时制图已成为支持自然灾害救援、风险管理和政府政策决策的新兴优先事项。近期实现近实时制图的方法越来越多地利用深度学习（DL）。然而，基于 DL 的方法是为单一地理区域中基于卫星数据特定频段的某一特定任务而设计的。因此，用于制图特定自然灾害的 DL 模型难以泛化到未见区域中其他类型的自然灾害。在这项工作中，我们提出了一种基于在合适的预任务上预训练来显著提升 DL 自然灾害制图器泛化能力的方法。在无法访问目标域任何数据的情况下，我们展示了在四种 U-Net 架构上对未见自然灾害分割的改进泛化能力。重要的是，我们的方法对地理差异和卫星数据频段类型的差异是不变的。通过利用来自目标域的公开可用未标注图像的特征，我们的方法能够在不微调的情况下进一步改善泛化行为。由此，我们的方法支持地球监测基础模型的开发，其目标是在给定不同卫星图像来源的情况下，直接分割新地理区域中未见的自然灾害。
引用
@article{arxiv.2301.09318,
title = {Toward Foundation Models for Earth Monitoring: Generalizable Deep Learning Models for Natural Hazard Segmentation},
author = {Johannes Jakubik and Michal Muszynski and Michael Vössing and Niklas Kühl and Thomas Brunschwiler},
journal= {arXiv preprint arXiv:2301.09318},
year = {2023}
}
备注
Accepted at IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2023)