Learning from Synthetic InSAR with Vision Transformers: The case of volcanic unrest detection

要約

干渉合成開口レーダ（InSAR）データでの地盤変形の形で、噴火に先立つ火山不安の初期兆候を検出することは、火山災害を評価するために重要です。
この作業では、これをInSAR画像のバイナリ分類問題として扱い、合成的に生成されたインターフェログラムの豊富なソースを活用して、実際のインターフェログラムで同等に機能する品質分類器をトレーニングする新しい深層学習手法を提案します。
問題の不均衡な性質は、正のサンプルが桁違いに少なく、ラベル付けされたInSARデータを含むキュレートされたデータベースがないことと相まって、従来の深層学習アーキテクチャにとって困難な課題を設定します。
ドメイン適応のための新しいフレームワークを提案します。このフレームワークでは、ビジョントランスフォーマーを使用して合成データからクラスのプロトタイプを学習します。
火山の不安定な検出のための大規模なテストセットで報告された最高の精度に相当する検出精度を報告します。
さらに、ラベルのない実際のInSARデータセットからモデルによって生成された疑似ラベルを使用して、学習した表現とプロトタイプ空間の間の新しい非線形の射影を学習することにより、この知識に基づいて構築しました。
これにより、テストセットで97.1％の精度で新しい最先端技術が実現します。
最上位の変圧器プロトタイプモデルから生成された疑似ラベルを使用して、ラベルなしの実際のInSARデータセットで単純なResNet-18畳み込みニューラルネットワークをトレーニングすることにより、アプローチの堅牢性を示します。
私たちの方法論は、サンプルに手動でラベルを付ける必要なしにパフォーマンスを大幅に改善し、さまざまなリモートセンシングアプリケーションで合成InSARデータをさらに活用するための道を開きます。

要約(オリジナル)

The detection of early signs of volcanic unrest preceding an eruption, in the form of ground deformation in Interferometric Synthetic Aperture Radar (InSAR) data is critical for assessing volcanic hazard. In this work we treat this as a binary classification problem of InSAR images, and propose a novel deep learning methodology that exploits a rich source of synthetically generated interferograms to train quality classifiers that perform equally well in real interferograms. The imbalanced nature of the problem, with orders of magnitude fewer positive samples, coupled with the lack of a curated database with labeled InSAR data, sets a challenging task for conventional deep learning architectures. We propose a new framework for domain adaptation, in which we learn class prototypes from synthetic data with vision transformers. We report detection accuracy that amounts to the highest reported accuracy on a large test set for volcanic unrest detection. Moreover, we built upon this knowledge by learning a new, non-linear, projection between the learnt representations and prototype space, using pseudo labels produced by our model from an unlabeled real InSAR dataset. This leads to the new state of the art with 97.1% accuracy on our test set. We demonstrate the robustness of our approach by training a simple ResNet-18 Convolutional Neural Network on the unlabeled real InSAR dataset with pseudo-labels generated from our top transformer-prototype model. Our methodology provides a significant improvement in performance without the need of manually labeling any sample, opening the road for further exploitation of synthetic InSAR data in various remote sensing applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google