【论文阅读】Cloud-Net: An End-To-End Cloud Detection Algorithm for Landsat 8 Imagery

Cloud-Net: 一个适用于 Landsat8 图像的端到端云检测算法

---

速览

被引	下载	收录	源码	引用
67	arxiv	IGARSS 2019（EI 会议检索）	GitHub	BibTeX 引用格式如下

@inproceedings{mohajerani2019cloud,
  title={Cloud-Net: An end-to-end cloud detection algorithm for Landsat 8 imagery},
  author={Mohajerani, Sorour and Saeedi, Parvaneh},
  booktitle={IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium},
  pages={1029--1032},
  year={2019},
  organization={IEEE}
}

摘要

Cloud-Net 在 Fully Convolutional Network（FCN，全卷积网络） 的基础上做了一些改进。在基准数据集上进行实验，其 Jacard Index（ IOU） 指标优于最新方法（论文中指 FCN） 8.7%。

关键字：云检测， Landsat， 卫星， 图像分割

引言

1. 首先，介绍了云检测工作的重要性。

2. 然后，对前人的研究进行了总结，将云检测方法系统地分为三类：

• 基于阈值的方法
  • Fmask
  • 改进的 Fmask
• 手工制作
  • Haze Optimized Transformation
• 基于深度学习的方法
  • CNNs
    • U-Net
    • FCN
    • ……

3. 最后，简单描述了 Cloud-Net 能够以端到端的方式从整个遥感图像中学到局部和全局的特性，具有更好的性能。

方法

Cloud-Net 的结构如下：

图1 Cloud-Net 结构

相关细节：

• 数据处理
  • 使用 Landsat 8 的多光谱图像数据进行训练。其中只用了波段 2~波段 5（RGB+近红外），因为它们更通用，其它的遥感卫星也会捕捉这些波段的数据。
  • 由于单张 Landsat 8 的图像空间维度很大，所有裁成了很多个 384×384 大小的不重叠 patch。
  • 将 patch 喂给网络之前先下采样到 192×192 大小。所以实际输入到网络的尺寸是 192×192×4，网络输出的 cloud mask 尺寸是 192×192×1。
  • 数据增强使用了这些方法：水平翻转、旋转和平移。
• 模型训练
  • 最后一个卷积层之后用了 sigmoid 激活函数。（这里只做是云和不是云的判断，薄云和厚云当作云处理，不作区分，因此是像素级别是二分类问题）
  • 优化器：Adam
  • 损失函数：soft Jaccard loss function
  • 权重初始化：[-1, 1] 均匀分布
  • 学习率：0.0001
  • 学习率衰减策略：每 15 个 epoch 下调 0.7 个乘法因子，直到 10^-9 后不再减小。
  • 深度学习框架：Keras

实验

数据集

38-Cloud: A Cloud Segmentation Dataset：点击这里从 Kaggle 下载

共 38 景 Landsat 8 的图像。18 张用于训练，20 张用于测试。作者手工标注了 18 张训练图像，20 张测试图像没有手工标注，其标签是由改进的 Fmask 算法自动生成的。裁剪尺寸是 384×384，裁剪之后得到 8400 张训练图像，9201 张测试图像。

测试阶段

将测试集图片 resize 到 192×192，喂给训练好的模型，对网络预测的概率图进行二值化（阈值：0.047），然后 resize 到 384×384，最后拼接到原图的大小。（这里有两点疑问：（1）二值化阈值为什么要选择 0.047？（2）图片裁剪制作 patch 采用的是不重叠的方法，对于无法整除 384 的大图该如何裁剪，裁剪后又该如何拼接成原图的大小？）

1	2

图2 Cloud-Net 测试结果。a 和 e 是自然彩色图像，b 和 f 是对应的 GTs，c 和 g 是 FCN 的结果，d 和 h 是本文算法的结果

评估指标

• Jaccard Index（IOU）
• Precision
• Recall
• Specificity
• Overall Accuracy

结果

总结

本文提出了一个基于深度学习的遥感图像云分割算法。与论文[13]中的FCN 相比，具有更好的性能。并对论文[13]的数据集进行了改进。

生词

• address this problem：解决这个问题
• crucial：关键的；至关重要的
• occlude：阻塞
• retrieve：检索；取回；挽回；恢复；反演
• transmission：传输
• hurricane：飓风
• volcanic eruption：火山爆发
• contract：收缩；缩小
• expand：拓展；放大
• indeed：实际上
• stitch：缝补
• superiority：优越性