Flight Contrail Segmentation via Augmented Transfer Learning with Novel SR Loss Function in Hough Space

要約

航空輸送は、特に地球温暖化に影響を与える可能性があるため、気候変動における飛行機雲の役割に関して、重大な環境問題を引き起こしています。
従来のコンピュータ ビジョン技術は、リモート センシングの画像条件が変化すると困難を伴い、畳み込みニューラル ネットワークを使用した従来の機械学習アプローチは、手動でラベル付けされた飛行機雲データセットの不足によって制限されます。
これらの問題に対処するために、私たちは少数ショット転移学習を採用し、最小限のラベル付きデータで正確な飛行機雲のセグメンテーションを実現する革新的なアプローチを導入しました。
私たちの方法論は、広範な画像データセットで事前トレーニングされ、拡張された飛行機雲固有のデータセットを使用して微調整されたバックボーン セグメンテーション モデルを活用します。
また、SR 損失と呼ばれる新しい損失関数も導入します。これは、画像空間をハフ空間に変換することで飛行機雲の検出を強化します。
この変換により、一般的な画像セグメンテーション損失関数に比べてパフォーマンスが大幅に向上します。
私たちのアプローチは、限られたラベル付きデータによってもたらされる課題に対する堅牢なソリューションを提供し、飛行機雲検出モデルの状態を大幅に進歩させます。

要約(オリジナル)

Air transport poses significant environmental challenges, particularly regarding the role of flight contrails in climate change due to their potential global warming impact. Traditional computer vision techniques struggle under varying remote sensing image conditions, and conventional machine learning approaches using convolutional neural networks are limited by the scarcity of hand-labeled contrail datasets. To address these issues, we employ few-shot transfer learning to introduce an innovative approach for accurate contrail segmentation with minimal labeled data. Our methodology leverages backbone segmentation models pre-trained on extensive image datasets and fine-tuned using an augmented contrail-specific dataset. We also introduce a novel loss function, termed SR Loss, which enhances contrail line detection by transforming the image space into Hough space. This transformation results in a significant performance improvement over generic image segmentation loss functions. Our approach offers a robust solution to the challenges posed by limited labeled data and significantly advances the state of contrail detection models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google