A Hyper-pixel-wise Contrastive Learning Augmented Segmentation Network for Old Landslide Detection Using High-Resolution Remote Sensing Images and Digital Elevation Model Data

要約

危険災害として、地滑りは人類に多大な損失をもたらすことが多いため、地滑りを確実に検出することが必要です。
ただし、視覚的なぼやけとデータセットのサイズが小さいという問題は、リモート センシング データを使用する場合の古い地滑り検出タスクに大きな課題を引き起こします。
意味的特徴を確実に抽出するために、ハイパーピクセルワイズ対比学習拡張セグメンテーションネットワーク (HPCL-Net) が提案されています。これは、HPCL を介して地滑りの境界からの局所的な顕著な特徴の抽出を強化し、高度な意味論的空間内の異種情報を融合します。
-解像度リモートセンシング画像とデジタル標高モデルデータデータ。
貴重なサンプルを最大限に活用するために、ハイパーピクセル単位のサンプルを格納するグローバルキューの構築と運動量エンコーダーの更新スキームを含む、グローバルハイパーピクセル単位のサンプルペアキューベースの対比学習方法が開発されました。
、意味的特徴の抽出能力を確実に強化します。
提案された HPCL-Net は黄土高原の古い地滑りデータセットで評価され、実験の結果、このモデルは以前の古い地滑りセグメンテーション モデルと比較して古い地滑り検出の信頼性が大幅に向上していることが示されています。mIoU メトリックは 0.620 から 0.651 に増加し、地滑り IoU
メトリクスは 0.334 から 0.394 に増加し、F1 スコア メトリクスは 0.501 から 0.565 に増加しました。

要約(オリジナル)

As a harzard disaster, landslide often brings tremendous losses to humanity, so it’s necessary to achieve reliable detection of landslide. However, the problems of visual blur and small-sized dataset cause great challenges for old landslide detection task when using remote sensing data. To reliably extract semantic features, a hyper-pixel-wise contrastive learning augmented segmentation network (HPCL-Net) is proposed, which augments the local salient feature extraction from the boundaries of landslides through HPCL and fuses the heterogeneous infromation in the semantic space from High-Resolution Remote Sensing Images and Digital Elevation Model Data data. For full utilization of the precious samples, a global hyper-pixel-wise sample pair queues-based contrastive learning method, which includes the construction of global queues that store hyper-pixel-wise samples and the updating scheme of a momentum encoder, is developed, reliably enhancing the extraction ability of semantic features. The proposed HPCL-Net is evaluated on a Loess Plateau old landslide dataset and experiment results show that the model greatly improves the reliablity of old landslide detection compared to the previous old landslide segmentation model, where mIoU metric is increased from 0.620 to 0.651, Landslide IoU metric is increased from 0.334 to 0.394 and F1-score metric is increased from 0.501 to 0.565.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google