[논문 리뷰] On Mathews Correlation Coefficient and Improved Distance Map Loss for Automatic Glacier Calving Front Segmentation in SAR Imagery

Amirabbas Davari, Saahil Islam외 4명|arXiv (Cornell University)|2021. 02. 16.

Cryospheric studies and observations참고 문헌 52인용 수 37

한 줄 요약

이 논문은 심각한 클래스 불균형 문제를 해결하기 위해 심층 학습 기반의 위성 SAR 영상에서 빙하 분열 front의 의미적 세그멘테이션에 Mathews 상관계수(MCC)를 조기 정지 기준으로 사용하고, 개선된 거리 맵 기반 이진 교차 엔트로피(BCE) 손실 함수를 제안한다. MCC 기반 조기 정지는 표준 BCE 대비 DICE 계수를 15% 향상시키며, 수정된 거리 맵 손실 함수는 추가로 2% 향상시켜 극도로 불균형한 데이터에서 세그멘테이션 정확도를 크게 향상시킨다.

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.

연구 동기 및 목표

• 위성 SAR 영상에서 빙하 분열 front의 의미적 세그멘테이션에 있어 심각한 클래스 불균형 문제를 해결하기 위해.
• 불균형한 데이터로 훈련된 딥 네트워크의 일반화 성능 향상과 과적합 방지를 위해.
• 표준 BCE 손실 함수 대신 맥락 인식형, 거리 맵 보강된 손실 함수를 도입하여 세그멘테이션 성능 향상시키기 위해.
• 직접적인 전면선 예측과 세그멘테이션된 얼음 영역의 후처리를 통한 전면선 추출 방식을 평가하고 비교하기 위해.

제안 방법

• 클래스 불균형에 영향을 받지 않는 특성 덕분에 검증 성능을 모니터링하기 위해 Mathews 상관계수(MCC)를 조기 정지 기준으로 사용한다.
• 분열 전면 경계 근처의 픽셀에 더 높은 가중치를 할당하여 소수 클래스 영역에 더 집중할 수 있도록 수정된 거리 맵 손실 함수를 도입한다.
• 거리 맵을 이진 교차 엔트로피 손실 함수에 적용하며, 거리 페널티의 영향 반경을 제어하기 위해 학습 가능한 파라미터 k를 사용한다.
• U-Net 아키텍처를 사용하여 SAR 영상에서 분열 전면 위치의 의미적 세그멘테이션을 수행한다.
• 비교를 위해 클래스 가중치가 있는/없는 BCE, MCC 기반 조기 정지, 개선된 거리 맵 손실 함수를 사용하여 모델을 훈련한다.
• 직접적인 전면선 예측 방식과 얼음 영역을 예측한 후 후처리를 통해 전면 경계를 추출하는 두 가지 세그멘테이션 전략을 비교한다.

실험 결과

연구 질문

• RQ1 극도로 불균형한 세그멘테이션 작업에서 BCE 손실 함수보다 MCC가 더 신뢰할 수 있는 조기 정지 기준이 될 수 있는가?
• RQ2 BCE 손실 함수에 거리 맵을 통합함으로써 불균형한 분열 전면 데이터에서 세그멘테이션 성능 향상이 이루어지는가?
• RQ3 DICE 계수와 IOU 측면에서 MCC 기반 조기 정지와 BCE 기반 조기 정지 간의 성능 비교는 어떻게 되는가?
• RQ4 직접적인 전면선 예측 방식과 후처리된 영역 세그멘테이션 방식 간의 상대적 성능은 어떠한가?
• RQ5 개선된 거리 맵 손실 함수는 표준 BCE 대비 임의의 전면선을 줄이고 경계 정밀도를 향상시키는가?

주요 결과

• MCC를 조기 정지 기준으로 사용할 경우, 표준 BCE 기반 조기 정지 대비 DICE 계수 평균 15% 향상된다.
• 개선된 거리 맵 BCE 손실 함수는 MCC 기반 개선 성능를 추가로 약 2% 향상시킨다.
• MCC 모니터링 모델은 특히 고도로 불균형한 영역에서 더 적은 가짜 양성 결과와 더 정확한 경계 정렬을 보인다.
• 최적의 k 값(k=5)을 가진 거리 맵 손실 함수는 표준 BCE 및 k=1 버전보다 뛰어나며, 특히 높은 허용 오차 기준(예: AP 라인의 155m)에서 뛰어난 성능을 보인다.
• 직접적인 전면선 예측은 더 정확하지만 약간의 끊어진 결과를 보이며, 후처리된 영역 세그멘테이션은 연속적인 경계를 생성하지만 비분열 전면 기능(예: 암반)을 포함할 수 있다.
• MCC 기반 조기 정지와 개선된 거리 맵 손실 함수의 조합은 AP 및 Jakobshavn Isbræ 데이터셋에서 모든 지표(IOU, DICE, MCC)에서 최고의 성능을 달성한다.