Prior knowledge-informed semantic segmentation framework for precise glacial lake mapping from multimodal imagery
Notice bibliographique
Résumé
Variation in size and number of glacial lakes (GLs) is important indicators of climate change in the cryosphere and have attracted increasing research attention. However, publicly annotated datasets suitable for computer vision techniques, especially deep learning-based GL mapping, remain scarce. Moreover, existing datasets often contain noisy labels, which affect evaluation results and subsequently hinder downstream processes such as multimodal remote sensing data fusion. To address these issues, we propose a prior knowledge-informed framework for GL segmentation that integrates a self-training-based correction algorithm for glacial lake segmentation dataset (ST-CAGL), which iteratively refines noisy annotations without manual intervention. We also introduce a dual encoder glacial lake semantic segmentation network (DEGSNet) that has a cross-modal feature rectification module (CM-FRM) to enhance multimodal data fusion. Through comparative and ablation experiments, our method achieves an IoU of 86.26% and a DICE of 92.05% at the patch level, yielding improvements of 3.39% in IoU and 2.15% in DICE over the best-performing CNN-based model (UNet), and 5.92% in IoU and 4.33% in DICE over the best-performing Transformer-based model (SegFormer-B3), when these two models are trained with uncorrected labels. In addition, our framework demonstrates superior performance in extracting small GLs, compared to current works. The source code and dataset are available at https://github.com/tanhuizhi123/GlacierSeg . • A novel self-training based correction algorithm for glacial lake segmentation. • The dual encoder glacial lake segmentation network improves segmentation performance. • A large annotated multimodal glacial lake dataset benefits the community. • The framework improves recognition of small glacial lakes with low accuracy.
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 | 0,000 |
| 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 ».