Landslide4Sense: Reference Benchmark Data and Deep Learning Models for Landslide Detection

要約

この研究では、リモート センシングによる地滑り検出のリファレンス ベンチマークである \textit{Landslide4Sense} を紹介します。
このリポジトリには、Sentinel-2 センサーからの光学レイヤーと、ALOS PALSAR から派生したデジタル標高モデルおよび傾斜レイヤーを融合した 3,799 の画像パッチが含まれています。
追加された地形情報により、最近の研究で光学データだけでは困難であることが示されている地すべり境界の正確な検出が容易になります。
広範なデータ セットは、地すべり検出におけるディープ ラーニング (DL) 研究と、地すべりインベントリの体系的な更新方法の開発と検証をサポートします。
ベンチマーク データ セットは、胆振 (2018 年 9 月)、コダグ (2018 年 8 月)、ゴルカ (2015 年 4 月)、台湾 (2009 年 8 月) の 4 つの異なる時間と地理的場所で収集されました。
各画像ピクセルは、地滑りに属するものかそうでないものかを示すラベルが付けられ、さまざまなソースと完全な手動注釈が組み込まれています。
次に、U-Net、ResU-Net、PSPNet、ContextNet、DeepLab-v2、DeepLab-v3+、FCN-8s、LinkNet、FRRN-A、
FRRN-B、および SQNet。
すべてのモデルは、各調査地域の 1/4 のパッチでゼロからトレーニングされ、残りの 3/4 の独立したパッチでテストされました。
私たちの実験は、ResU-Net が地滑り検出タスクの他のモデルよりも優れていることを示しています。
マルチソースの地滑りベンチマーク データ (Landslide4Sense) とテスト済みの DL モデルを \url{https://www.iarai.ac.at/landslide4sense} で公開し、リモート センシング、コンピューター ビジョン、および
一般的な画像分類と特に地滑り検出への応用の研究における機械学習コミュニティ。

要約(オリジナル)

This study introduces \textit{Landslide4Sense}, a reference benchmark for landslide detection from remote sensing. The repository features 3,799 image patches fusing optical layers from Sentinel-2 sensors with the digital elevation model and slope layer derived from ALOS PALSAR. The added topographical information facilitates the accurate detection of landslide borders, which recent researches have shown to be challenging using optical data alone. The extensive data set supports deep learning (DL) studies in landslide detection and the development and validation of methods for the systematic update of landslide inventories. The benchmark data set has been collected at four different times and geographical locations: Iburi (September 2018), Kodagu (August 2018), Gorkha (April 2015), and Taiwan (August 2009). Each image pixel is labelled as belonging to a landslide or not, incorporating various sources and thorough manual annotation. We then evaluate the landslide detection performance of 11 state-of-the-art DL segmentation models: U-Net, ResU-Net, PSPNet, ContextNet, DeepLab-v2, DeepLab-v3+, FCN-8s, LinkNet, FRRN-A, FRRN-B, and SQNet. All models were trained from scratch on patches from one quarter of each study area and tested on independent patches from the other three quarters. Our experiments demonstrate that ResU-Net outperformed the other models for the landslide detection task. We make the multi-source landslide benchmark data (Landslide4Sense) and the tested DL models publicly available at \url{https://www.iarai.ac.at/landslide4sense}, establishing an important resource for remote sensing, computer vision, and machine learning communities in studies of image classification in general and applications to landslide detection in particular.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google