Towards transparent deep learning for surface water detection from SAR imagery
Notice bibliographique
Résumé
Water detection from SAR imagery has significant values, such as the flood monitoring and environmental protection. Nowadays, significant progress has been achieved in water detection using deep neural network (DNN) methods, but the blackbox behavior incurs many doubts in the performance of deep learning techniques, which undermines its trustworthiness in water detection from SAR imagery. By integrating SAR domain knowledge, DNN and eXplainable Artificial Intelligence (XAI), an explainable DNN framework for surface water detection is proposed for the first time. This framework includes three parts: the water extraction network containing four backbone networks, the Local and Global Mixed Attribution (LGMA) module for performance evaluation of backbone network, and the Semantic Specific-class Activation Mapping (SSAM) module, which performs geo-visualization for the output layers of high-level features. In the experiment, SAR images from different resolutions and frequency-bands are utilized, which are from millimeter-wave and Sentinel-1 systems. The attribution maps and heatmaps of four backbone networks are assessed towards the final water extraction results. The experiment indicates that the proposed framework can glass-box the decision-making process of DNN in water detection and offer corresponding attribution analytics for given input SAR imagery. This work encourages other scholars to conduct extensive research on the explanation of DNN in SAR domain, gradually establish the trustworthiness of DNN, and promote the development of DNN in SAR images analytics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».