IMAFD: An Interpretable Multi-stage Approach to Flood Detection from time series Multispectral Data

要約

このペーパーでは、フラッド検出の分野における 2 つの重大な課題、つまり大規模な時系列変化検出の計算コストと、Explainable AI (XAI) における解釈可能な意思決定プロセスの欠如について取り上げます。
これらの課題を克服するために、私たちは洪水検出に対する解釈可能な多段階アプローチ、IMAFD を提案しました。
大規模なリモート センシング タスクに適した、自動かつ効率的で解釈可能なソリューションを提供し、意思決定プロセスについての洞察を提供します。
提案された IMAFD アプローチは、動的な時系列画像シーケンスの分析を組み合わせて、フラッディングの可能性がある画像を識別するとともに、静的な画像内のセマンティック セグメンテーションを行います。
これは、異常検出 (画像レベルとピクセル レベルの両方) とセマンティック セグメンテーションを組み合わせます。
フラッド検出の問題は、次の 4 つの段階を通じて対処されます。(1) シーケンス レベル: 疑わしい画像を特定する (2) マルチ画像レベル: 疑わしい画像内の変化を検出する (3) 画像レベル: 画像をセマンティックにセグメンテーションする
陸、水、雲のクラス (4) 意思決定。
私たちの投稿は 2 つのフォルダーに分かれています。
まず、フラッド検出に対する多段階の総合的なアプローチを提供することで、密な変更検出のために処理されるフレーム数を効率的に削減しました。
第 2 に、提案された意味変更検出方法 (ステージ 3) は人間のユーザーに解釈可能な意思決定プロセスを提供しますが、説明可能な AI (XAI) 方法のほとんどは事後的な説明を提供します。
提案された IMAFD フレームワークの評価は、WorldFloods、RavAEn、MediaEval の 3 つのデータセットに対して実行されました。
上記のすべてのデータセットについて、提案されたフレームワークは、解釈可能性と洞察力も提供する他の方法と比較して、優れたパフォーマンスを示しています。

要約(オリジナル)

In this paper, we address two critical challenges in the domain of flood detection: the computational expense of large-scale time series change detection and the lack of interpretable decision-making processes on explainable AI (XAI). To overcome these challenges, we proposed an interpretable multi-stage approach to flood detection, IMAFD has been proposed. It provides an automatic, efficient and interpretable solution suitable for large-scale remote sensing tasks and offers insight into the decision-making process. The proposed IMAFD approach combines the analysis of the dynamic time series image sequences to identify images with possible flooding with the static, within-image semantic segmentation. It combines anomaly detection (at both image and pixel level) with semantic segmentation. The flood detection problem is addressed through four stages: (1) at a sequence level: identifying the suspected images (2) at a multi-image level: detecting change within suspected images (3) at an image level: semantic segmentation of images into Land, Water or Cloud class (4) decision making. Our contributions are two folder. First, we efficiently reduced the number of frames to be processed for dense change detection by providing a multi-stage holistic approach to flood detection. Second, the proposed semantic change detection method (stage 3) provides human users with an interpretable decision-making process, while most of the explainable AI (XAI) methods provide post hoc explanations. The evaluation of the proposed IMAFD framework was performed on three datasets, WorldFloods, RavAEn and MediaEval. For all the above datasets, the proposed framework demonstrates a competitive performance compared to other methods offering also interpretability and insight.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google