BenchCloudVision: A Benchmark Analysis of Deep Learning Approaches for Cloud Detection and Segmentation in Remote Sensing Imagery

要約

光学センサーを搭載した人工衛星は高解像度の画像を取得し、様々な環境現象に対する貴重な洞察を提供している。近年、多様な景観における水の検出から山岳地帯や地形の細分化まで、リモートセンシングにおけるいくつかの課題に取り組む研究が急増している。現在進行中の研究は、衛星画像解析の精度と効率を高めることを目標としている。特に、環境モニタリング、資源管理、災害対応に重要な、正確な水域、雪、雲を検出するための方法論の開発が重要視されている。このような背景から、本稿ではリモートセンシング画像からの雲セグメンテーションに焦点を当てる。正確なリモートセンシングデータ解析は、光学センサベースのアプリケーションにおける雲の存在のために困難な場合がある。アプリケーションや研究などの成果物の品質は、リモートセンシングデータ処理パイプラインにおいて重要な役割を果たす雲検出に直接影響される。本論文では、雲識別に適用される7つの最先端のセマンティックセグメンテーションと検出アルゴリズムを検証し、ベンチマーク分析を実施して、それらのアーキテクチャアプローチを評価し、最もパフォーマンスの高いものを特定する。モデルの適応性を高めるため、画像の種類や学習時に使用するスペクトルバンドの量など、重要な要素を分析する。さらに、この研究では、RGBとRGBN-IRの組み合わせを含む、少数のスペクトルバンドのみを使用して雲のセグメンテーションを実行できる機械学習アルゴリズムを作成しようとする。Sentinel-2とLandsat-8の画像をデータセットとして使用し、様々なアプリケーションやユーザーシナリオに対するモデルの柔軟性を評価する。このベンチマークは、このgithubリンクhttps://github.com/toelt-llc/cloud_segmentation_comparative。

要約(オリジナル)

Satellites equipped with optical sensors capture high-resolution imagery, providing valuable insights into various environmental phenomena. In recent years, there has been a surge of research focused on addressing some challenges in remote sensing, ranging from water detection in diverse landscapes to the segmentation of mountainous and terrains. Ongoing investigations goals to enhance the precision and efficiency of satellite imagery analysis. Especially, there is a growing emphasis on developing methodologies for accurate water body detection, snow and clouds, important for environmental monitoring, resource management, and disaster response. Within this context, this paper focus on the cloud segmentation from remote sensing imagery. Accurate remote sensing data analysis can be challenging due to the presence of clouds in optical sensor-based applications. The quality of resulting products such as applications and research is directly impacted by cloud detection, which plays a key role in the remote sensing data processing pipeline. This paper examines seven cutting-edge semantic segmentation and detection algorithms applied to clouds identification, conducting a benchmark analysis to evaluate their architectural approaches and identify the most performing ones. To increase the model’s adaptability, critical elements including the type of imagery and the amount of spectral bands used during training are analyzed. Additionally, this research tries to produce machine learning algorithms that can perform cloud segmentation using only a few spectral bands, including RGB and RGBN-IR combinations. The model’s flexibility for a variety of applications and user scenarios is assessed by using imagery from Sentinel-2 and Landsat-8 as datasets. This benchmark can be reproduced using the material from this github link: https://github.com/toelt-llc/cloud_segmentation_comparative.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL