[论文解读] Skip-WaveNet: A Wavelet based Multi-scale Architecture to Trace Snow Layers in Radar Echograms

Debvrat Varshney, Masoud Yari+5 more|arXiv (Cornell University)|Oct 30, 2023

Cryospheric studies and observations被引用 4

一句话总结

Skip-WaveNet 提出了一种基于小波的多尺度深度学习架构，可自动追踪机载雷达回波图中的积雪层，利用离散小波变换实现多分辨率特征提取，并通过跳跃连接改善梯度流动。该方法在积雪层检测中实现了 3.31 像素的平均绝对误差和 94.3% 的平均精确率，优于当前最先进方法，在检测精度和泛化能力方面表现更优，并与实地钻孔测量结果高度一致。

ABSTRACT

Airborne radar sensors capture the profile of snow layers present on top of an ice sheet. Accurate tracking of these layers is essential to calculate their thicknesses, which are required to investigate the contribution of polar ice cap melt to sea-level rise. However, automatically processing the radar echograms to detect the underlying snow layers is a challenging problem. In our work, we develop wavelet-based multi-scale deep learning architectures for these radar echograms to improve snow layer detection. These architectures estimate the layer depths with a mean absolute error of 3.31 pixels and 94.3% average precision, achieving higher generalizability as compared to state-of-the-art snow layer detection networks. These depth estimates also agree well with physically drilled stake measurements. Such robust architectures can be used on echograms from future missions to efficiently trace snow layers, estimate their individual thicknesses and thus support sea-level rise projection models.

研究动机与目标

• 为解决从机载冰穿透雷达获取的雷达回波图中实现精确、自动化的积雪层检测挑战。
• 提升深度学习模型在不同雷达回波图条件下检测积雪层的泛化能力和鲁棒性。
• 开发一种多尺度架构，以捕捉雷达数据中不同空间尺度下的分层特征。
• 通过与实地钻孔测量结果对比验证模型预测的现实世界准确性。
• 通过高效、精确地从雷达数据中估算积雪层厚度，支持未来气候建模。

提出的方法

• 该架构采用基于小波的编码器-解码器框架，利用离散小波变换（DWT）将雷达回波图分解为多尺度子带。
• 在多个分解层级上，从近似系数和细节系数中提取多尺度特征，以捕捉粗粒度和细粒度的层状结构。
• 在编码器和解码器模块之间引入跳跃连接，以保持空间分辨率并增强训练过程中的梯度流动。
• 采用类似 U-Net 的跳跃连接设计，实现深度估计的端到端学习，提升特征重建能力。
• 通过像素级回归损失进行模型训练，以预测层深，使用 Adam 优化器并结合数据增强以提高鲁棒性。
• 在输入网络前应用小波分解，使模型能够在不增加额外卷积层的情况下处理多尺度表示。

实验结果

研究问题

• RQ1 与现有深度学习方法相比，基于小波的多尺度架构是否能提升雷达回波图中积雪层检测的准确性和泛化能力？
• RQ2 在小波变换特征空间中集成跳跃连接对深度估计性能有何影响？
• RQ3 模型预测的层深与钻孔测量得到的实际积雪层深度之间的相关性如何？
• RQ4 所提出的架构在处理不同雷达回波图中信号噪声比变化和层连续性差异方面是否具有有效性？
• RQ5 使用离散小波变换在雷达数据中对积雪层分割的特征表示有何增强作用？

主要发现

• 该模型在估算积雪层深度时实现了 3.31 像素的平均绝对误差（MAE），表明其在深度回归任务中具有高精度。
• 在检测积雪层方面达到了 94.3% 的平均精确率，表明其在定位和分割任务中表现优异。
• 预测结果与实地钻孔测量结果高度一致，验证了其在现实世界中的可靠性。
• 与当前最先进网络相比，该架构在低信噪比等具有挑战性的回波图条件下泛化能力更强。
• 使用小波变换可在不增加模型复杂度或参数量的前提下，实现有效的多尺度特征学习。
• 跳跃连接机制显著提升了训练稳定性与特征恢复能力，尤其在深层网络堆栈中表现突出。