[論文レビュー] On Mathews Correlation Coefficient and Improved Distance Map Loss for Automatic Glacier Calving Front Segmentation in SAR Imagery

Amirabbas Davari, Saahil Islam+4 more|arXiv (Cornell University)|Feb 16, 2021

Cryospheric studies and observations参考文献 52被引用数 37

ひとこと要約

本稿では、SAR画像における氷河の崩壊前端のセマンティックセグメンテーションにおける深刻なクラス不均衡に対処するため、Mathews相関係数（MCC）を早期停止基準として使用し、改良された距離マップに基づくバイナリクロスエントロピー（BCE）損失を提案する。MCCに基づく早期停止は、標準的なBCEに比べてDice係数を15%向上させ、修正された距離マップ損失はさらに2%の向上をもたらし、不均衡なデータにおけるセグメンテーション精度を顕著に向上させる。

ABSTRACT

The vast majority of the outlet glaciers and ice streams of the polar ice sheets end in the ocean. Ice mass loss via calving of the glaciers into the ocean has increased over the last few decades. Information on the temporal variability of the calving front position provides fundamental information on the state of the glacier and ice stream, which can be exploited as calibration and validation data to enhance ice dynamics modeling. To identify the calving front position automatically, deep neural network-based semantic segmentation pipelines can be used to delineate the acquired SAR imagery. However, the extreme class imbalance is highly challenging for the accurate calving front segmentation in these images. Therefore, we propose the use of the Mathews correlation coefficient (MCC) as an early stopping criterion because of its symmetrical properties and its invariance towards class imbalance. Moreover, we propose an improvement to the distance map-based binary cross-entropy (BCE) loss function. The distance map adds context to the loss function about the important regions for segmentation and helps accounting for the imbalanced data. Using Mathews correlation coefficient as early stopping demonstrates an average 15% dice coefficient improvement compared to the commonly used BCE. The modified distance map loss further improves the segmentation performance by another 2%. These results are encouraging as they support the effectiveness of the proposed methods for segmentation problems suffering from extreme class imbalances.

研究の動機と目的

• SAR画像からの氷河の崩壊前端のセマンティックセグメンテーションにおける深刻なクラス不均衡の課題に対処すること。
• 不均衡なデータで訓練されたディープニューラルネットワークの一般化性能を向上させ、過学習を防止すること。
• 標準的なBCE損失の代わりに、文脈に配慮した、距離マップを補完する損失関数を導入することで、セグメンテーション性能を向上させること。
• 直接的な前線予測とセグメンテーションされたアイスゾーンの後処理を比較して、崩壊前端の抽出方法を評価すること。

提案手法

• クラス不均衡に不変であるため、MCC（Mathews相関係数）を検証性能をモニタリングするための早期停止基準として使用する。
• 崩壊前端境界に近いピクセルに高い重みを割り当てるように、修正された距離マップ損失を導入し、マイノリティクラス領域への注目を強化する。
• 距離マップをバイナリクロスエントロピー損失関数に組み込み、距離ペナルティの影響半径を制御する学習可能なパラメータkを用いる。
• U-Netアーキテクチャを用いて、SAR画像における崩壊前端位置のセマンティックセグメンテーションを実行する。
• 比較のため、クラスウェイトを用いたBCEと、MCCに基づく早期停止、および改良された距離マップ損失を用いたモデルを訓練する。
• 2つのセグメンテーション戦略を比較する：直接的な前線予測と、アイスゾーンを予測した後に後処理で前線境界を抽出する方法。

実験結果

リサーチクエスチョン

• RQ1 MCCは、極度に不均衡なセグメンテーションタスクにおいて、BCE損失よりも信頼性の高い早期停止基準として機能するか？
• RQ2 BCE損失関数に距離マップを組み込むことで、不均衡な崩壊前端データにおけるセグメンテーション性能が向上するか？
• RQ3 Dice係数とIOUの観点から、MCCに基づく早期停止はBCEに基づく早期停止に比べて優れているか？
• RQ4 直接的な前線予測と、後処理を施したゾーンセグメンテーションの相対的な性能は、崩壊前端検出においてどう異なるか？
• RQ5 改良された距離マップ損失は、標準的なBCEに比べて誤検出を低減し、境界の局所化を改善するか？

主な発見

• MCCを早期停止基準として使用することで、標準的なBCEに基づく早期停止に比べてDice係数が平均15%向上した。
• 改良された距離マップBCE損失は、MCCに基づく改善に加えて、Dice係数を約2%さらに向上させた。
• MCCで監視されたモデルは、特にクラス不均衡が顕著な領域において、はるかに少ない誤検出とより正確な境界局所化を示した。
• 最適なk（k=5）を用いた距離マップ損失は、標準的なBCEおよびk=1のバージョンを上回り、特に高い許容誤差閾値（例：APラインでは155 m）において優れた性能を発揮した。
• 直接的な前線予測は、やや不連続な結果をもたらすが、より正確であった。一方、後処理を施したゾーンセグメンテーションは連続的な境界を生成したが、床岩などの非崩壊前線特徴を含む可能性があった。
• MCCに基づく早期停止と改良された距離マップ損失の組み合わせは、APおよびJakobshavn Isbræデータセットの両方で、IOU、Dice、MCCのすべての指標において最高の性能を達成した。