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