Robust Burned Area Delineation through Multitask Learning

要約

近年、山火事はその頻度と深刻さが増しているため、重大な課題を引き起こしています。
このため、焼失領域の正確な描写は、環境モニタリングと火災後の評価にとって非常に重要です。
ただし、バイナリ セグメンテーション モデルに依存する従来のアプローチでは、限られたリソースとこのセグメンテーション タスクの固有の不均衡により、特にゼロからトレーニングした場合に、堅牢で正確な結果を達成するのに苦労することがよくあります。
私たちはこれらの制限に 2 つの方法で対処することを提案します。まず、限られたリソースに対処するためのアドホック データセットを構築し、Sentinel-2 フィードからの情報を Copernicus アクティベーションおよびその他のデータ ソースと組み合わせます。
このデータセットでは、焼失地域の描写や土地被覆のセグメンテーションなど、複数のタスクに対するアノテーションを提供します。
次に、焼失地域セグメンテーション モデルの堅牢性とパフォーマンスを向上させる補助タスクとして土地被覆分類を組み込んだマルチタスク学習フレームワークを提案します。
UPerNet や SegFormer などのさまざまなモデルのパフォーマンスを比較し、標準のバイナリ セグメンテーションと比較した場合のアプローチの有効性を示します。

要約(オリジナル)

In recent years, wildfires have posed a significant challenge due to their increasing frequency and severity. For this reason, accurate delineation of burned areas is crucial for environmental monitoring and post-fire assessment. However, traditional approaches relying on binary segmentation models often struggle to achieve robust and accurate results, especially when trained from scratch, due to limited resources and the inherent imbalance of this segmentation task. We propose to address these limitations in two ways: first, we construct an ad-hoc dataset to cope with the limited resources, combining information from Sentinel-2 feeds with Copernicus activations and other data sources. In this dataset, we provide annotations for multiple tasks, including burned area delineation and land cover segmentation. Second, we propose a multitask learning framework that incorporates land cover classification as an auxiliary task to enhance the robustness and performance of the burned area segmentation models. We compare the performance of different models, including UPerNet and SegFormer, demonstrating the effectiveness of our approach in comparison to standard binary segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google