AMD-HookNet für die Segmentierung von Gletscherfronten

Wissen über Veränderungen der Gletscherabbruchkanten ist wichtig für die Bewertung des Zustands von Gletschern. Fernerkundungsdaten bilden die ideale Datenbasis zur Überwachung der Positionen von Abbruchkanten. Allerdings ist es aufgrund zeitlicher Einschränkungen nicht machbar, diese Aufgabe manuell für alle abbruchenden Gletszer weltweit durchzuführen. Methoden basierend auf tiefem Lernen haben großes Potenzial gezeigt, um Abbruchkanten aus optischen und Radar-Satellitenbildern zu segmentieren. Die Abbruchkante wird als eine einzelne dünne Linie zwischen Meer und Gletscher dargestellt, was die Aufgabe anfällig für ungenaue Vorhersagen macht. Die begrenzte Verfügbarkeit annotierter Gletscherbilder führt zu einem Mangel an Datenvielfalt (nicht alle möglichen Kombinationen verschiedener Wetterbedingungen, Endformen, Sensoren usw. sind in den Daten vorhanden), was die Schwierigkeit einer genauen Segmentierung verschärft.In dieser Arbeit schlagen wir das Attention-Multi-hooking-Deep-supervision HookNet (AMD-HookNet) vor, einen neuen Segmentierungsrahmen für synthetische Apertur-Radar (SAR)-Bilder von Gletscherabbruchkanten. Das vorgeschlagene Verfahren zielt darauf ab, die Merkmalsrepräsentationsfähigkeit durch mehrere Informationsaustausche zwischen nieder- und hochaufgelösten Eingaben auf Basis eines zweigeteilten U-Net zu verbessern. Der integrierte Aufmerksamkeitsmechanismus soll zwischen den entsprechenden grobkörnigen und feinkörnigen Merkmalskarten interagieren. Dies ermöglicht es dem Netzwerk, Merkmalsbeziehungen automatisch anzupassen, was zu genauen Pixelklassifikationsvorhersagen führt.Ausführliche Experimente und Vergleiche am anspruchsvollen Benchmark-Datensatz CaFFe zeigen, dass unser AMD-HookNet einen mittleren Abstandfehler von 438 Metern zur Ground Truth erreicht und damit den aktuellen Stand der Technik um 42 % übertreffen kann. Dies bestätigt seine Effektivität.