Improving Off-Nadir Deep Learning-Based Change and Damage Detection through Radiometric Enhancement
Notice bibliographique
Résumé
Abstract. Aerial and satellite imagery can provide vital information to relief organizations about the extent and distribution of damages after natural disasters. With manual change detection being too inefficient to be effective, the pursuit of automated change detection has accelerated with the recent developments of deep learning methods. Off-nadir imagery (captured not directly overhead) is the fastest to acquire post-disaster, making it ideal for disaster management scenarios. However, the changes in viewing angles result in shadows and occlusions, making damage detection more difficult. Differences in illumination conditions are ever present in bitemporal aerial and satellite imagery, especially for off-nadir imagery, where the reflectance angle affects the amount of light returning to the sensor, making it harder to detect changes and damages. The hypothesis of this study was that artificial intelligence methods fail to adequately account for the illumination differences between images. To test this hypothesis, two radiometric enhancements, matching and equalization, were applied to four change and damage detection datasets, including a damage detection dataset from the 2010 Haiti earthquake. Using a leading high accuracy fusion convolutional neural network architecture called Changer, improvements of up to 20 percent for F1-Score, a popular remote sensing metric for quantifying the number of correctly classified pixels for specific datasets, were achieved through applying radiometric enhancement techniques. Applying radiometric enhancements on a case-by-case basis led to considerable improvements in accuracy, showing the promise of radiometric enhancement. Lower accuracies were achieved on the Haiti dataset, outlining the need for large disaster-specific datasets for training.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».