DeepAqua: Self-Supervised Semantic Segmentation of Wetlands from SAR Images using Knowledge Distillation

要約

タイトル: DeepAqua：知識蒸留を用いたSAR画像から湿地帯のセマンティックセグメンテーションの自己教師あり方法

要約:

– セマンティックセグメンテーション技術を衛星画像に適用することで、リモートセンシングにおいて水の検出技術が大幅に進化している。
– しかし、セマンティックセグメンテーションは大量の注釈付きデータが必要であり、湿地帯検出においては同じ地域に対して複数の注釈が必要となるため、困難である。
– 本論文では、知識蒸留を利用して手動注釈付きデータが不要な自己教師あり深層学習モデルであるDeepAquaを提案する。
– DeepAquaは、Synthetic Aperture Radar（SAR）画像から水をセグメンテーションするための畳み込みニューラルネットワーク（CNN）を訓練するために、Normalized Difference Water Index（NDWI）を教師モデルとして利用する。
– 学生モデルをトレーニングする際に、光学およびレーダーベースの水マスクが一致する場合に注目し、開放的および植生水面の両方を検出する。
– DeepAquaは手動注釈付きデータが必要なく、地面の真実のデータが必要なく、湿地帯の水位変化を監視するための実用的な解決策を提供し、湿地保全努力に高度に適応性とスケーラビリティを提供する。

要約(オリジナル)

Remote sensing has significantly advanced water detection by applying semantic segmentation techniques to satellite imagery. However, semantic segmentation remains challenging due to the substantial amount of annotated data required. This is particularly problematic in wetland detection, where water extent varies over time and space, necessitating multiple annotations for the same area. In this paper, we present DeepAqua, a self-supervised deep learning model that leverages knowledge distillation to eliminate the need for manual annotations during the training phase. DeepAqua utilizes the Normalized Difference Water Index (NDWI) as a teacher model to train a Convolutional Neural Network (CNN) for segmenting water from Synthetic Aperture Radar (SAR) images. To train the student model, we exploit cases where optical- and radar-based water masks coincide, enabling the detection of both open and vegetated water surfaces. Our model represents a significant advancement in computer vision techniques by effectively training semantic segmentation models without any manually annotated data. This approach offers a practical solution for monitoring wetland water extent changes without needing ground truth data, making it highly adaptable and scalable for wetland conservation efforts.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI