[논문 리뷰] Landslide Segmentation with U-Net: Evaluating Different Sampling Methods and Patch Sizes

Lucas Pedrosa Soares, Helen Cristina Dias외 1명|arXiv (Cornell University)|2020. 07. 13.

Landslides and related hazards참고 문헌 29인용 수 35

한 줄 요약

이 연구는 패치 크기, 샘플링 방법, 입력 데이터 세트가 U-net, RapidEye 영상 및 ALOS PALSAR 기반 DEM에서 산사태 분할 성능에 미치는 영향을 평가한다. 무작위 샘플링과 DEM 보강은 일반화와 정확도를 향상시킨다.

ABSTRACT

Landslide inventory maps are crucial to validate predictive landslide models; however, since most mapping methods rely on visual interpretation or expert knowledge, detailed inventory maps are still lacking. This study used a fully convolutional deep learning model named U-net to automatically segment landslides in the city of Nova Friburgo, located in the mountainous range of Rio de Janeiro, southeastern Brazil. The objective was to evaluate the impact of patch sizes, sampling methods, and datasets on the overall accuracy of the models. The training data used the optical information from RapidEye satellite, and a digital elevation model (DEM) derived from the L-band sensor of the ALOS satellite. The data was sampled using random and regular grid methods and patched in three sizes (32x32, 64x64, and 128x128 pixels). The models were evaluated on two areas with precision, recall, f1-score, and mean intersect over union (mIoU) metrics. The results show that the models trained with 32x32 tiles tend to have higher recall values due to higher true positive rates; however, they misclassify more background areas as landslides (false positives). Models trained with 128x128 tiles usually achieve higher precision values because they make less false positive errors. In both test areas, DEM and augmentation increased the accuracy of the models. Random sampling helped in model generalization. Models trained with 128x128 random tiles from the data that used the RapidEye image, DEM information, and augmentation achieved the highest f1-score, 0.55 in test area one, and 0.58 in test area two. The results achieved in this study are comparable to other fully convolutional models found in the literature, increasing the knowledge in the area.

연구 동기 및 목표

• 패치 크기(32x32, 64x64, 128x128)가 산사태 분할 정확도에 미치는 영향을 평가한다.
• 모델 일반화에 대한 샘플링 방법(무작위 대 정규 격자)을 평가한다.
• 데이터 증강 및 DEM를 입력 채널로 사용하는 것이 U-net 성능에 미치는 영향을 테스트한다.
• 표준 분할 지표를 사용하여 두 개의 테스트 영역에서 모델 결과를 비교한다.

제안 방법

• RapidEye 영상과 ALOS PALSAR DEM을 입력으로 하는 288개의 U-net 모델을 학습한다.
• 세 가지 크기(32x32, 64x64, 128x128)로 패치를 무작위 또는 규칙 격자 방식으로 샘플링한다.
• Albumentations를 사용하여 회전 및 뒤집기 등의 데이터 증강을 적용한다.
• 두 개의 1024x1024 테스트 영역에서 정밀도, 재현률, F1-스코어, mIoU를 사용해 모델을 평가한다.
• 이진 크로스 엔트로피 손실과 Adam 옵티마이저를 사용; 검증 손실에 따라 조기 저장을 적용하며 200 에폭 학습한다.

실험 결과

연구 질문

• RQ1 패치 크기와 샘플링 방법이 U-net을 이용한 산사태 분할 정확도에 어떤 영향을 미치는가?
• RQ2 DEM 채널 추가가 광학 데이터만 사용할 때보다 모델 성능을 향상시키는가?
• RQ3 데이터 증강이 서로 다른 토지 피복 맥락에서 모델 일반화를 높이는가?
• RQ4 테스트 영역 전반에서 정밀도, 재현율 및 IoU의 균형이 가장 좋은 데이터셋, 샘플링 방법 및 패치 크기의 조합은 무엇인가?

주요 결과

• 128x128 랜덤 타일과 RapidEye+DEM+증강으로 F1-score가 가장 높게 나왔으며: 0.55(테스트 영역 1), 0.58(테스트 영역 2).
• 모델은 32x32 타일에서 재현율은 높았지만 위양성 증가로 정밀도가 낮아졌다.
• 64x64 타일은 일반화 측면에서 32x32와 128x128의 중간 결과를 보인다.
• DEM를 입력 채널로 사용하는 것이 테스트 영역 전반에서 정확도를 향상시킨다.
• 두 테스트 영역에서 평균 mIoU 측면에서 무작위 샘플링이 규칙 격자 샘플링보다 우수하다.