[論文レビュー] Cloud-Net+: A Cloud Segmentation CNN for Landsat 8 Remote Sensing Imagery Optimized with Filtered Jaccard Loss Function

Sorour Mohajerani, Parvaneh Saeedi|arXiv (Cornell University)|Jan 23, 2020

Advanced Image Fusion Techniques参考文献 25被引用数 17

ひとこと要約

本論文では、Landsat 8 衛星画像における正確な雲セグメンテーションを実現するため、新しいフィルタリング付きジャコーディアン損失関数を備えた深層畳み込みニューラルネットワークである Cloud-Net+ を提案する。本手法は、雪やはっきりしない大気状態のような困難な状況下でも検出性能を向上させ、4つの公的データセットで最先端の性能を達成しており、欠落した雲ピクセルに対する感度を高め、マスク予測の正確性を向上させている。

ABSTRACT

Cloud Segmentation is one of the fundamental steps in optical remote sensing image analysis. Current methods for identification of cloud regions in aerial or satellite images are not accurate enough especially in the presence of snow and haze. This paper presents a deep learning-based framework to address the problem of cloud detection in Landsat 8 imagery. The proposed method benefits from a convolutional neural network (Cloud-Net+) with multiple blocks, which is trained with a novel loss function (Filtered Jaccard loss). The proposed loss function is more sensitive to the absence of cloud pixels in an image and penalizes/rewards the predicted mask more accurately. The combination of Cloud-Net+ and Filtered Jaccard loss function delivers superior results over four public cloud detection datasets. Our experiments on one of the most common public datasets in computer vision (Pascal VOC dataset) show that the proposed network/loss function could be used in other segmentation tasks for more accurate performance/evaluation.

研究の動機と目的

• 光学リモートセンシングにおける不正確な雲検出という長年の課題に取り組むこと、特に雪やはっきりしない大気状態などの複雑な大気的・地表面的条件下での検出を改善すること。
• 雲ピクセルの有無に基づいて予測をより適切にペナルティまたは報酬を与える新しい損失関数を設計することで、セグメンテーションの正確性を向上させること。
• 雲セグメンテーションに限らず、一般のセマンティックセグメンテーションタスクに対しても良好に動作する、強力で汎用性の高い深層学習フレームワークの開発。

提案手法

• 提案されたフレームワークは、Landsat 8 画像内のマルチスケールの空間的特徴を捉えるために、複数の残差ブロックを備えた U-Net に類似したエンコーダ・デコーダアーキテクチャを採用している。
• 損失計算時に背景領域をフィルタリングすることで、希少または欠落した雲ピクセルに対する感度を高めるために、新しい損失関数「Filtered Jaccard 損失」を導入した。
• 損失関数は予測マスクと正解マスクの間のオーバーラップ率（IoU）を計算するが、実際に雲が存在する領域に注目するための動的フィルタリング機構を適用する。
• 重み減衰を用いた確率的勾配降下法を用いて、エンドツーエンドでネットワークを学習させ、Filtered Jaccard 損失を最適化することでマスクの正確性（精度と再現率）を向上させる。
• ダウンサンプリングによる空間的詳細の損失を補うためにスキップ接続を組み込み、雲領域の境界の局所化精度を向上させている。

実験結果

リサーチクエスチョン

• RQ1 修正された損失関数は、Landsat 8 画像におけるスパarsなまたはコントラストが低い雲領域の検出を改善できるか？
• RQ2 Filtered Jaccard 損失関数は、標準的な交差エントロピー損失およびIoUに基づく損失関数と比較して、セグメンテーションの正確性と頑健性において優れているか？
• RQ3 Cloud-Net+ フレームワークは、雲検出を越えて、他のセマンティックセグメンテーションタスクへどの程度一般化可能か？

主な発見

• Filtered Jaccard 損失を搭載した提案手法 Cloud-Net+ は、4つの公的雲検出データセットで最先端の性能を達成し、優れたセグメンテーション正確性を示した。
• Filtered Jaccard 損失は、雲ピクセルの欠落に対するモデルの感度を顕著に向上させ、雪やはっきりしない大気状態を伴う複雑なシーンにおける偽陰性を低減した。
• Pascal VOC データセットを用いた実験により、フレームワークが他のセマンティックセグメンテーションタスクに対しても良好に一般化できることを確認した。これは、広範な適用可能性を示している。
• 標準的な交差エントロピー損失およびIoU損失を用いたベースラインモデルと比較して、本手法は特に小さなまたは断片的な雲領域の検出において優れた性能を発揮した。