DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation

要約

ディープラーニングとリモートセンシング技術により、水監視能力が大幅に向上しました。
ただし、注釈付きデータの必要性は依然として課題です。
これは、水の範囲が時間と空間とともに変化するため、同じエリアに対して複数のアノテーションを必要とする湿地の検出において特に問題となります。
この論文では、知識の蒸留 (別名教師-生徒モデル) を活用して、トレーニング段階での手動の注釈の必要性を排除する自己教師あり深層学習モデルである DeepAqua を紹介します。
正規化差分水指数 (NDWI) を教師モデルとして利用して、畳み込みニューラル ネットワーク (CNN) をトレーニングして合成開口レーダー (SAR) 画像から水をセグメント化します。また、スチューデント モデルをトレーニングするために、光学式およびレーダー式の場合を利用します。
ベースのウォーターマスクが一致し、開いた水面と植物の生えた水面の両方の検出が可能になります。
DeepAqua は、手動で注釈を付けたデータを使用せずにセマンティック セグメンテーション モデルを効果的にトレーニングすることにより、コンピューター ビジョン技術の大幅な進歩を表します。
実験結果によると、DeepAqua は他の教師なし手法よりも精度が 7%、Intersection Over Union が 27%、F1 スコアが 14% 向上し、優れています。
このアプローチは、グラウンドトゥルースデータを必要とせずに湿地の水域の変化を監視するための実用的なソリューションを提供し、湿地の保全活動に非常に適応性と拡張性を備えています。

要約(オリジナル)

Deep learning and remote sensing techniques have significantly advanced water monitoring abilities; however, the need for annotated data remains a challenge. This is particularly problematic in wetland detection, where water extent varies over time and space, demanding multiple annotations for the same area. In this paper, we present DeepAqua, a self-supervised deep learning model that leverages knowledge distillation (a.k.a. teacher-student model) to eliminate the need for manual annotations during the training phase. We utilize 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, and 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. DeepAqua represents a significant advancement in computer vision techniques by effectively training semantic segmentation models without any manually annotated data. Experimental results show that DeepAqua outperforms other unsupervised methods by improving accuracy by 7%, Intersection Over Union by 27%, and F1 score by 14%. 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, Google