Comparison Study: Glacier Calving Front Delineation in Synthetic Aperture Radar Images With Deep Learning

要約

海洋終端氷河の前線位置の変化は、氷の質量損失の指標であり、数値氷河モデルにおける重要なパラメーターです。
ディープラーニング (DL) システムは、合成開口レーダー (SAR) 画像からこの位置を自動的に抽出できるため、天候や照度に依存しない継続的な大規模モニタリングが可能になります。
この研究では、一般的な分娩フロント ベンチマーク データセットにおける DL システムの最初の比較を示します。
最高のパフォーマンスを発揮する DL システムと人間のパフォーマンスを対比するために、10 人のアノテーターによるマルチ アノテーター調査が実行されます。
最良の DL モデルの出力は平均 221 メートル偏差しますが、ヒューマン アノテーターの平均偏差は 38 メートルです。
この大きな違いは、現在の DL システムがまだ人間の性能に及ばないこと、そして氷河融解前線の完全自動モニタリングを可能にするためにさらなる研究が必要であることを示しています。
ビジョントランスフォーマー、基礎モデル、およびより多くの情報の包含と処理戦略の研究が、将来の研究の道として特定されています。

要約(オリジナル)

Calving front position variation of marine-terminating glaciers is an indicator of ice mass loss and a crucial parameter in numerical glacier models. Deep Learning (DL) systems can automatically extract this position from Synthetic Aperture Radar (SAR) imagery, enabling continuous, weather- and illumination-independent, large-scale monitoring. This study presents the first comparison of DL systems on a common calving front benchmark dataset. A multi-annotator study with ten annotators is performed to contrast the best-performing DL system against human performance. The best DL model’s outputs deviate 221 m on average, while the average deviation of the human annotators is 38 m. This significant difference shows that current DL systems do not yet match human performance and that further research is needed to enable fully automated monitoring of glacier calving fronts. The study of Vision Transformers, foundation models, and the inclusion and processing strategy of more information are identified as avenues for future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google