[論文レビュー] Grayscale Based Algorithm for Remote Sensing with Deep Learning.

Sai Ganesh Cs, Aouthithiye Barathwaj S. R. Y+1 more|arXiv (Cornell University)|Oct 16, 2021

Advanced Image Fusion Techniques参考文献 21被引用数 4

ひとこと要約

本論文は、大気中の光の歪み、特にレイリー散乱の影響を軽減することで、リモートセンシングの標的検出を向上させるグレースケールベースの YOLOv3 アルゴリズムを提案する。推論前にRGB画像をグレースケールに変換することで、標準の YOLOv3 と比較して、特に厳しい大気条件下でも検出精度と頑健性が向上する。

ABSTRACT

Remote sensing is the image acquisition of a target without having physical contact with it. Nowadays remote sensing data is widely preferred due to its reduced image acquisition period. The remote sensing of ground targets is more challenging because of the various factors that affect the propagation of light through different mediums from a satellite acquisition. Several Convolutional Neural Network-based algorithms are being implemented in the field of remote sensing. Supervised learning is a machine learning technique where the data is labelled according to their classes prior to the training. In order to detect and classify the targets more accurately, YOLOv3, an algorithm based on bounding and anchor boxes is adopted. In order to handle the various effects of light travelling through the atmosphere, Grayscale based YOLOv3 configuration is introduced. For better prediction and for solving the Rayleigh scattering effect, RGB based grayscale algorithms are proposed. The acquired images are analysed and trained with the grayscale based YOLO3 algorithm for target detection. The results show that the grayscale-based method can sense the target more accurately and effectively than the traditional YOLOv3 approach.

研究の動機と目的

• 衛星ベースのリモートセンシングにおける大気中の光の歪み、特にレイリー散乱の影響に起因する課題に対処すること。
• RGBカラー・チャンネルに起因するノイズと複雑さを低減することで、リモートセンシングにおける標的検出精度を向上させること。
• グレースケール前処理を用いることで、リモートセンシング応用における YOLOv3 の性能を向上させること。
• 変動する大気条件下でのグレースケール変換の有効性を評価し、モデルの汎化性能と検出の頑健性を向上させること。

提案手法

• 効率性とアンカーボックスに基づくバウンディングボックス予測の両立を考慮し、YOLOv3 をベースの物体検出フレームワークとして採用する。
• モデル推論の前に入力RGBリモートセンシング画像をグレースケールに変換することで、スペクトルの複雑さとノイズを低減する。
• 大気散乱、特にレイリー散乱が画像品質に与える影響を軽減するために、グレースケール変換を適用する。
• 分類と局所化のための事前にラベルが付与された標的データを用いた教師あり学習により、グレースケールベースの YOLOv3 モデルを訓練する。
• YOLOv3 におけるアンカーボックスと特徴マップのピラミッドネットワークを活用し、リモートセンシング画像における複数スケールの物体検出を実現する。
• 衛星画像をグレースケール YOLOv3 パイプラインを経由させ、地上標的のバウンディングボックスとクラスラベルを予測する。

実験結果

リサーチクエスチョン

• RQ1 グレースケール前処理は、大気中の光の歪みに影響を受けるリモートセンシング画像における物体検出精度の向上に寄与するか？
• RQ2 変動する大気条件下で、グレースケールベースの YOLOv3 モデルは標準の YOLOv3 と比較して地上標的の検出にどの程度優れているか？
• RQ3 グレースケール変換は、リモートセンシング画像品質に及ぼすレイリー散乱の影響をどの程度低減するか？
• RQ4 グレースケール画像の使用は、リモートセンシング応用におけるモデルの頑健性と汎化能力を向上させるか？

主な発見

• グレースケールベースの YOLOv3 法は、リモートセンシングの状況下で標準の YOLOv3 よりも高い検出精度を達成する。
• グレースケール前処理は、特にレイリー散乱に起因する大気中の光の散乱が画像の鮮明さに与える影響を効果的に低減する。
• スペクトルノイズの低減により、変動する大気条件下でも地上標的の検出に向けたモデルの頑健性が向上する。
• グレースケール画像の使用により、標的検出に不可欠な構造的およびテクスチャ的特徴に注目するモデルの能力が向上する。
• 結果から、グレースケール変換によりリモートセンシング応用におけるより効果的な特徴学習が実現することが確認された。
• 提案手法は、大気干渉を伴う衛星画像を対象とする標的検出タスクにおいて、従来の YOLOv3 を上回る性能を示した。