Сегментація патернів організації хмар на супутникових зображеннях з використанням глибоких нейронних мереж

Анотація

Зміна клімату є однією з найважливіших проблем, що стоять зараз перед людством. Важливою частиною кліматичних моделей є рух хмар, який різко впливає на параметри клімату. Невисокі хмари грають величезну роль у визначенні клімату Землі. Їхній рух також складно зрозуміти і представити в кліматичних моделях. На жаль, точне моделювання руху хмар є складною задачею та вимагає досконалого знання основних фізичних процесів і початкових станів. Межі між різними типами хмар зазвичай розмиті і їх важко визначити за допомогою систем прийняття рішень на основі правил. Спрощення етапу сегментації має вирішальне значення і може допомогти дослідникам в розробці більш досконалих кліматичних моделей. Конволюційні нейронні мережі були успішно застосовані в багатьох аналогічних областях, а також для самої сегментації хмар. Проте, існує проблема високої вартості хороших наборів даних з маркуванням на рівні пікселів, тому в галузі часто використовуються грубі набори даних з мітками рівня зображення. У цій статті ми пропонуємо комплексний метод на основі глибокого навчання для класифікації та сегментації хмар різних типів з одного кольорового супутникового зображення. Тут ми пропонуємо багатозадачний підхід до сегментації хмар. На додаток до моделі сегментації, ми вводимо окремий класифікатор, який використовує ознаки з середнього рівня моделі сегментації. Представлений метод може використовувати грубі, нерівні і такі, що перекриваються маски для хмар. Виходячи з результатів експериментів, запропонований метод демонструє стабільні результати і вивчає хороші загальні характеристики з зашумленних даних. Як ми спостерігали під час експериментів, наша модель правильно знаходить хмари, які не анотовані на зображеннях. Запропонований метод входить в топ 3 % серед конкуруючих методів на наборі даних Understanding Clouds from Satellite Images.