Landslide4Sense: Reference Benchmark Data and Deep Learning Models for Landslide Detection

要約

この研究では、リモートセンシングによる地すべり検出のリファレンスベンチマークである\textit{Landslide4Sense}を紹介します。
リポジトリには、Sentinel-2センサーの光学レイヤーとALOSPALSARから派生した数値標高モデルおよび傾斜レイヤーを融合した3,799の画像パッチがあります。
追加された地形情報は、地すべりの境界の正確な検出を容易にします。これは、最近の研究では、光学データのみを使用することは困難であることが示されています。
広範なデータセットは、地すべりの検出と地すべりインベントリの体系的な更新のための方法の開発と検証における深層学習（DL）研究をサポートします。
ベンチマークデータセットは、イブリ（2018年9月）、コダグ（2018年8月）、ゴルカ（2015年4月）、台湾（2009年8月）の4つの異なる時間と地理的場所で収集されました。
各画像ピクセルには、地すべりに属するかどうかのラベルが付けられ、さまざまなソースと完全な手動注釈が組み込まれています。
次に、11の最先端DLセグメンテーションモデル（U-Net、ResU-Net、PSPNet、ContextNet、DeepLab-v2、DeepLab-v3 +、FCN-8s、LinkNet、FRRN-A、
FRRN-B、およびSQNet。
すべてのモデルは、各調査領域の4分の1のパッチでゼロからトレーニングされ、他の4分の3の独立したパッチでテストされました。
私たちの実験は、ResU-Netが地すべり検出タスクの他のモデルよりも優れていることを示しています。
マルチソースの地すべりベンチマークデータ（Landslide4Sense）とテスト済みのDLモデルを\ url {www.landslide4sense.org}で公開し、画像分類の研究におけるリモートセンシング、コンピュータービジョン、機械学習コミュニティの重要なリソースを確立します。
一般的に、特に地すべり検出への応用。

要約(オリジナル)

This study introduces \textit{Landslide4Sense}, a reference benchmark for landslide detection from remote sensing. The repository features 3,799 image patches fusing optical layers from Sentinel-2 sensors with the digital elevation model and slope layer derived from ALOS PALSAR. The added topographical information facilitates an accurate detection of landslide borders, which recent researches have shown to be challenging using optical data alone. The extensive data set supports deep learning (DL) studies in landslide detection and the development and validation of methods for the systematic update of landslide inventories. The benchmark data set has been collected at four different times and geographical locations: Iburi (September 2018), Kodagu (August 2018), Gorkha (April 2015), and Taiwan (August 2009). Each image pixel is labelled as belonging to a landslide or not, incorporating various sources and thorough manual annotation. We then evaluate the landslide detection performance of 11 state-of-the-art DL segmentation models: U-Net, ResU-Net, PSPNet, ContextNet, DeepLab-v2, DeepLab-v3+, FCN-8s, LinkNet, FRRN-A, FRRN-B, and SQNet. All models were trained from scratch on patches from one quarter of each study area and tested on independent patches from the other three quarters. Our experiments demonstrate that ResU-Net outperformed the other models for the landslide detection task. We make the multi-source landslide benchmark data (Landslide4Sense) and the tested DL models publicly available at \url{www.landslide4sense.org}, establishing an important resource for remote sensing, computer vision, and machine learning communities in studies of image classification in general and applications to landslide detection in particular.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google