Deep Learning for In-Orbit Cloud Segmentation and Classification in Hyperspectral Satellite Data

要約

この記事では、ハイパースペクトル衛星に搭載された雲検出のための最新の畳み込みニューラル ネットワーク (CNN) について説明します。
クラウドのセグメンテーションと分類に対する最新の 1D CNN (1D-Justo-LiuNet) と 2 つの最近の 2D CNN (nnU-net および 2D-Justo-UNet-Simple) のパフォーマンスが評価されます。
評価基準には、軌道上展開の精度と計算効率が含まれます。
実験では NASA の EO-1 Hyperion データを利用し、主成分分析後のさまざまなスペクトル チャネル番号を使用します。
結果は、1D-Justo-LiuNet が、推論時間の増加にもかかわらず、より大きなスペクトル チャネル セットでコンパクトさを維持しながら、2D CNN を上回る最高の精度を達成することを示しています。
ただし、1D CNN のパフォーマンスは、チャネルが大幅に削減されると低下します。
これに関連して、2D-Justo-UNet-Simple は、精度、メモリ、時間のコストを考慮して、軌道上展開に最適なバランスを提供します。
nnU-net は地上処理に適していますが、高精度アプリケーションには軽量の 1D-Justo-LiuNet の導入が推奨されます。
あるいは、軌道上でのタイミングと精度のコストのバランスをとるために、軽量の 2D-Justo-UNet-Simple をお勧めします。

要約(オリジナル)

This article explores the latest Convolutional Neural Networks (CNNs) for cloud detection aboard hyperspectral satellites. The performance of the latest 1D CNN (1D-Justo-LiuNet) and two recent 2D CNNs (nnU-net and 2D-Justo-UNet-Simple) for cloud segmentation and classification is assessed. Evaluation criteria include precision and computational efficiency for in-orbit deployment. Experiments utilize NASA’s EO-1 Hyperion data, with varying spectral channel numbers after Principal Component Analysis. Results indicate that 1D-Justo-LiuNet achieves the highest accuracy, outperforming 2D CNNs, while maintaining compactness with larger spectral channel sets, albeit with increased inference times. However, the performance of 1D CNN degrades with significant channel reduction. In this context, the 2D-Justo-UNet-Simple offers the best balance for in-orbit deployment, considering precision, memory, and time costs. While nnU-net is suitable for on-ground processing, deployment of lightweight 1D-Justo-LiuNet is recommended for high-precision applications. Alternatively, lightweight 2D-Justo-UNet-Simple is recommended for balanced costs between timing and precision in orbit.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google