AMD-HookNet for Glacier Front Segmentation

要約

氷河の状態を把握するためには、氷河の分娩前線の位置の変化を知ることが重要である。リモートセンシング画像は、氷河分娩前線の位置を監視するための理想的なデータベースを提供しますが、時間的制約から、全世界の分娩氷河を対象にこのタスクを手動で実行することは現実的ではありません。ディープラーニングに基づく手法は、光学およびレーダー衛星画像から氷河の分娩前線を抽出するための大きな可能性を示しています。氷河分水嶺は海と氷河の間にある1本の細い線として表現されるため、このタスクは不正確な予測に対して脆弱である。また、注釈付きの氷河画像は限られているため、データの多様性に欠け（異なる気象条件、末端の形状、センサーなどの全ての可能な組み合わせがデータ中に存在しない）、正確なセグメント化の難しさを悪化させる要因となっています。本論文では、合成開口レーダ（SAR）画像のための新しい氷河分娩前線セグメンテーションフレームワークであるAttention-Multi-hooking-Deep-supervision HookNet (AMD-HookNet) を提案します。提案手法は、2分岐U-Netに基づき、低解像度入力と高解像度入力の間の複数の情報相互作用を通じて、特徴表現能力を向上させることを目的としている。2分岐U-Netに組み込まれたアテンション機構は、対応する粗視化特徴マップと微視化特徴マップの間で相互作用を行うことを目的としている。これにより、ネットワークは特徴量の関係を自動的に調整し、正確な画素分類の予測を行うことができる。氷河のセグメンテーションのベンチマークデータセットであるCaFFeを用いた広範な実験と比較により、我々のAMD-HookNetはグランドトゥルースに対する平均距離誤差438mを達成し、現在の技術水準を42%上回り、その有効性が検証された。

要約(オリジナル)

Knowledge on changes in glacier calving front positions is important for assessing the status of glaciers. Remote sensing imagery provides the ideal database for monitoring calving front positions, however, it is not feasible to perform this task manually for all calving glaciers globally due to time-constraints. Deep learning-based methods have shown great potential for glacier calving front delineation from optical and radar satellite imagery. The calving front is represented as a single thin line between the ocean and the glacier, which makes the task vulnerable to inaccurate predictions. The limited availability of annotated glacier imagery leads to a lack of data diversity (not all possible combinations of different weather conditions, terminus shapes, sensors, etc. are present in the data), which exacerbates the difficulty of accurate segmentation. In this paper, we propose Attention-Multi-hooking-Deep-supervision HookNet (AMD-HookNet), a novel glacier calving front segmentation framework for synthetic aperture radar (SAR) images. The proposed method aims to enhance the feature representation capability through multiple information interactions between low-resolution and high-resolution inputs based on a two-branch U-Net. The attention mechanism, integrated into the two branch U-Net, aims to interact between the corresponding coarse and fine-grained feature maps. This allows the network to automatically adjust feature relationships, resulting in accurate pixel-classification predictions. Extensive experiments and comparisons on the challenging glacier segmentation benchmark dataset CaFFe show that our AMD-HookNet achieves a mean distance error of 438 m to the ground truth outperforming the current state of the art by 42%, which validates its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL