Deep-Learning-based Change Detection with Spaceborne Hyperspectral PRISMA data

要約

変化検出 (CD) 手法は数十年にわたって光学データに適用されてきましたが、優れたスペクトル分解能を備えたハイパースペクトル データの使用はほとんど検討されていませんでした。
CD は、環境モニタリングや災害管理などのいくつかの分野で応用されています。
PRcursore IperSpettrale della Missione operativA (PRISMA) のおかげで、宇宙からのハイパースペクトル CD が可能になりました。
この研究では、標準およびディープラーニング (DL) CD メソッドを自然から都市部までのさまざまなターゲットに適用します。
我々は、共同登録から始まり、フルスペクトルアルゴリズムを備えた CD、そして光データ用に開発された DL ネットワークが続くパイプラインを提案します。
植生や建築環境の変化がよく捉えられていることがわかります。
スペクトル情報は微妙な変化を識別するのに貴重であり、DL 手法は統計的手法に比べてノイズの影響が少ないですが、大気の影響と信頼できるグランド トゥルースの欠如がハイパースペクトル CD にとって大きな課題となっています。

要約(オリジナル)

Change detection (CD) methods have been applied to optical data for decades, while the use of hyperspectral data with a fine spectral resolution has been rarely explored. CD is applied in several sectors, such as environmental monitoring and disaster management. Thanks to the PRecursore IperSpettrale della Missione operativA (PRISMA), hyperspectral-from-space CD is now possible. In this work, we apply standard and deep-learning (DL) CD methods to different targets, from natural to urban areas. We propose a pipeline starting from coregistration, followed by CD with a full-spectrum algorithm and by a DL network developed for optical data. We find that changes in vegetation and built environments are well captured. The spectral information is valuable to identify subtle changes and the DL methods are less affected by noise compared to the statistical method, but atmospheric effects and the lack of reliable ground truth represent a major challenge to hyperspectral CD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google