【语义分割】【云检测】Cloud detection Paper Reading Pa.1

更一下最近看的遥感图像云检测的文章。主要是2019，2020年的。

 

 

1.Cloud detection algorithm for multi-modal satellite imagery using convolutional neural-networks (CNN)（2020）

亮点：

该文章讲的是用于云以及云影的检测；

使用了空间数据以及光谱数据来提高准确率；

不依赖于红外数据以及远红外数据（指利用RGB以及近红外数据

WV-2 上训练并提升性能（还做了域适应）

 

这个项目主要适用于一个海洋检测的项目；先介绍了很多关于他们项目的。然后介绍了关于卷积神经网络的基础内容；

实验细节：他们最终还是只用了4通道，因为发现8通道效果不如四通道；训练了1000个epochs每个epoch 1000steps。detection的模型base是deeplab（没写怎么改，估计没改）利用DANN做domain adaptation；

用的评价指标：Acc；

POD Probability of detection 每个类的准确率

OME omission error miss rate(each class

FAR conmission error

CSI

实验部分

1.deeplab对比MLP NN以及VGG（对比了两个一般作为backbone的模块）

做了only cloud和cloud shadow的实验

2.做了在其他表面上的实验（陆地 海洋）

3.迁移学习的；做了source tr,source test; dann tr, source test; source tr target test; dann tr target test(四个）用的是基础的对抗学习的方法；

 

2.Accurate cloud detection in high-resolution remote sensing imagery by weakly supervised deep learning。（2020）

https://www.sciencedirect.com/science/article/pii/S0034425720304156#bb0325

亮点：

提出了一个弱监督深度学习的框架

提出了全局卷积池化操作

提出了修剪池化操作的策略

发布了一个数据集】

 

本文的数据集是一个利用GaoFen-1 Level-1A 图像数据的数据集，label是只标注了block的（一张小图是有没有云的），这也是为什么他们要做弱监督学习。他们展示了数据集的分布。

他们方法上的主要改进是GCP以及Pooling pruning；

GCP：由于数据集的粗标注是对图像block进行有云无云的标注，这类情况往往使用GAP（全局平均池化）。但GAP不可避免会损失localization的准确度；因此本文提出了GCP；对每个通道独立进行卷积池化；（spatialwise convolution of each channel with the GCP layer)很类似深度分离卷积的思想；但文中说了他们的不同：GCP kernel大小和feature map一样、输出多维vector；深度分离卷积 kernel大小比fm小，输出fm。（突然想起来， 深度分离卷积只是在参数量上做优化，但对性能上只能维持，有时候甚至变差。）

Pooling pruning，顾名思义是对pooling进行了一些删除；我觉得这样也很合理，云这个object让人感觉feature是hig- level的并不多的，要得到好的结果，边缘信息很重要。pooling通常是为了减少计算量、扩大感受域的。

实验部分：

用了UA PA TPR FPR

6个对比实验，对比GAP TSL GCP以及分别是否有LPP

弱监督学习方法对比实验

 

3.Multi-sensor cloud and cloud shadow segmentation with a convolutional neural network （2019）

https://www.sciencedirect.com/science/article/pii/S0034425719302159

作者提出了一个基于U-Net的卷积神经网络。对比了一系列SOTA的method。证明模型在多个卫星传感器上的表现的适用性（Landsat TM,Landsat ETM+,Landsat OLI Sentinel-2);同时展示不同的训练策略以及通道组合在分割结果上的效果；作者认为他的方法由于传统的方法（Fmask以及随机树分类器；结果表明一个删减的特征空间（包括rgb 近红外的）已经足够产生好的结果，如果可行的话，短波红外通道也能产生较好的结果；（主要是和Fmask以及用不同算子的随机树分类器的对比）

本文用的数据库是开源的Spatial Procedures for Automated Removal of Cloud and Shadow (SPARCS) dataset

实验：基于四个数据集训练的loss图

对比Fmask方法以及RFL方法

指标：accuracy, Cohen's Kappa coefficient, Dice coefficient and inference speed

这篇论文的主要贡献是方法在各个数据集上的对比；（用了四个数据集，作者想证明他们方法在不同数据集上表现都优于Fmask以及RFL，方法的generalization。)

模型本身和Unet结构一样，只是channel数不太一样；

 

4.A cloud detection algorithm for satellite imagery based on deep learning（2019）

https://www.sciencedirect.com/science/article/pii/S0034425719301294

亮点：

在通道只用RGB的情况下依旧有较好的表现；

在GPU上运算处理用时低

检测效果在雪、冰上效果提升

This algorithm can be trained on the output of earlier cloud detection algorithms.（？啥意思

 

本文的结构也是基于U-Net的；

 

实验：

Landsat 8 - evaluation on SPARCS dataset

Landsat 8 - evaluation on biome dataset

对比Fmask以及利用不同的通道组合；

ground truth cloud coverage