Burnt area extraction from high-resolution satellite images based on anomaly detection

要約

衛星画像を使用した山火事の検出は、火災の描写やマッピングに多くの用途を備えたリモートセンシングで広く研究されているタスクです。
最近、ディープ ラーニング手法は、特にトレーニング データが利用できない教師なし学習の分野において、このタスクを自動化するためのスケーラブルなソリューションとなっています。
これは、通常は高解像度の衛星データに基づいて、迅速かつ効果的な検出が必要とされる緊急リスク監視の状況において特に重要です。
さまざまなアプローチの中でも、異常検出 (AD) は、コンピュータ ビジョン、医療画像、およびリモート センシングにおける幅広い用途のおかげで、非常に可能性が高いと思われます。
この研究では、離散潜在空間を使用した一般的な再構成ベースの AD 手法であるベクトル量子化変分オートエンコーダ (VQ-VAE) のフレームワークを構築して、教師なし焼き付き領域抽出を実行します。
当社は、専用の植生、水、明るさのインデックスを使用した集中的な後処理ステップを備えたエンドツーエンドのフレームワークに VQ-VAE を統合します。
高解像度のSPOT-6/7画像に対して行われた実験は、提案された技術の有望な結果を提供し、教師なし焼け領域抽出に関する将来の研究におけるその高い可能性を示しています。

要約(オリジナル)

Wildfire detection using satellite images is a widely studied task in remote sensing with many applications to fire delineation and mapping. Recently, deep learning methods have become a scalable solution to automate this task, especially in the field of unsupervised learning where no training data is available. This is particularly important in the context of emergency risk monitoring where fast and effective detection is needed, generally based on high-resolution satellite data. Among various approaches, Anomaly Detection (AD) appears to be highly potential thanks to its broad applications in computer vision, medical imaging, as well as remote sensing. In this work, we build upon the framework of Vector Quantized Variational Autoencoder (VQ-VAE), a popular reconstruction-based AD method with discrete latent spaces, to perform unsupervised burnt area extraction. We integrate VQ-VAE into an end-to-end framework with an intensive post-processing step using dedicated vegetation, water and brightness indexes. Our experiments conducted on high-resolution SPOT-6/7 images provide promising results of the proposed technique, showing its high potential in future research on unsupervised burnt area extraction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google