[论文解读] 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 37

一句话总结

该论文提出将 Matthews 相关系数（MCC）用作早停准则，并引入一种改进的距离图增强二元交叉熵（BCE）损失，以解决合成孔径雷达（SAR）影像中基于深度学习的冰川 calving 前沿语义分割存在的严重类别不平衡问题。基于 MCC 的早停使 Dice 系数相比标准 BCE 提高了 15%，而改进的距离图损失进一步带来 2% 的性能提升，显著增强了在类别极度不平衡数据上的分割精度。

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.

研究动机与目标

• 解决从 SAR 影像中进行冰川 calving 前沿语义分割时面临的严重类别不平衡问题。
• 提升在类别不平衡数据上训练的深度神经网络的泛化能力并防止过拟合。
• 通过用上下文感知、距离图增强的损失函数替代标准 BCE 损失，提升分割性能。
• 评估并比较直接预测前沿线与对分割冰区进行后处理以提取前沿边界的两种方法在 calving 前沿勾勒中的表现。

提出的方法

• 使用 Matthews 相关系数（MCC）作为早停准则，监控验证性能，利用其对类别不平衡的不变性。
• 提出一种改进的距离图损失，为靠近 calving 前沿边界的像素分配更高的权重，从而增强对少数类区域的关注。
• 将距离图引入二元交叉熵损失函数，使用可学习参数 k 控制距离惩罚的影响半径。
• 采用 U-Net 架构对 SAR 图像中的 calving 前沿位置进行语义分割。
• 训练模型时对比使用 BCE 与不使用类别权重、基于 MCC 的早停以及改进的距离图损失。
• 比较两种分割策略：直接预测 calving 前沿线，与先预测冰区再通过后处理提取前沿边界的差异。

实验结果

研究问题

• RQ1 在高度不平衡的分割任务中，MCC 是否能作为比 BCE 损失更可靠的早停准则？
• RQ2 将距离图引入 BCE 损失函数是否能提升在类别不平衡的 calving 前沿数据上的分割性能？
• RQ3 基于 MCC 的早停与基于 BCE 的早停相比，在 Dice 系数和 IOU 指标上表现如何？
• RQ4 直接预测前沿线与后处理的区域分割在 calving 前沿检测中的相对性能如何？
• RQ5 改进的距离图损失是否能减少误报并提升边界定位精度，相比标准 BCE 损失？

主要发现

• 使用 MCC 作为早停准则相比标准 BCE 基于的早停，平均使 Dice 系数提高 15%。
• 改进的距离图 BCE 损失在 MCC 提升的基础上，进一步使 Dice 系数提高约 2%。
• MCC 监控的模型表现出显著更少的误报和更精确的边界定位，尤其在类别严重不平衡区域表现更优。
• 当 k 优化为 5 时，距离图损失优于标准 BCE 和 k=1 的变体，尤其在较高容忍度阈值（如 AP 线的 155 m）下表现更佳。
• 直接预测 calving 前沿线可获得更精确但略显不连续的结果，而经后处理的区域分割则产生连续边界，但可能包含非 calving 前沿特征（如基岩）。
• 结合基于 MCC 的早停与改进的距离图损失，在 AP 和 Jakobshavn Isbræ 数据集上的所有指标（IOU、Dice、MCC）均达到最高性能。