基于颜色分割与 Sentinel-2 影像自动标注训练高效深度学习模型以实现极地海冰分类
计算机视觉与模式识别
2023-03-23 v1 机器学习
图像与视频处理
摘要
全球变暖是一个紧迫问题，正在引发灾难性的环境变化，例如极地地区海冰与冰川的融化。极地海冰覆盖的融化模式与消退是全球变暖的一项重要指标。Sentinel-2 卫星（S2）捕获了极地地区的高分辨率光学影像。本研究旨在开发一个稳健且高效的系统，利用 S2 图像将极地海冰分类为厚冰或雪覆盖冰、年轻或薄冰、或开阔水面。一个关键挑战是缺乏可作为地面真值的标注 S2 训练数据。我们展示了一种高精度方法，基于适当确定的颜色阈值对 S2 图像进行分割与自动标注，并利用这些自动标注数据训练 U-Net 机器模型（一种全卷积神经网络），获得了良好的分类精度。对南极罗斯海地区极地夏季 S2 数据的评估结果表明，在自动标注数据上训练的 U-Net 模型在原始 S2 图像上的准确率为 90.18%，而在人工标注数据上训练的 U-Net 模型准确率为 91.39%。从 S2 图像中滤除薄云与阴影进一步将 U-Net 的准确率分别提升至自动标注的 98.97% 与人工标注训练数据集的 98.40%。
引用
@article{arxiv.2303.12719,
title = {Toward Polar Sea-Ice Classification using Color-based Segmentation and Auto-labeling of Sentinel-2 Imagery to Train an Efficient Deep Learning Model},
author = {Jurdana Masuma Iqrah and Younghyun Koo and Wei Wang and Hongjie Xie and Sushil Prasad},
journal= {arXiv preprint arXiv:2303.12719},
year = {2023}
}
备注
2nd Annual AAAI Workshop on AI to Accelerate Science and Engineering (AI2ASE), February 2023