AMD-HookNet pour la segmentation du front glaciaire
La connaissance des changements de position des fronts de calving des glaciers est cruciale pour évaluer leur statut. Les images de télédétection fournissent la base de données idéale pour surveiller les positions des fronts de calving. Cependant, il n'est pas réaliste d'effectuer cette tâche manuellement pour tous les glaciers à calving dans le monde en raison des contraintes temporelles. Les méthodes basées sur l'apprentissage profond ont montré un grand potentiel pour la délimitation des fronts de calving à partir d'images satellites optiques et radar. Le front de calving est représenté par une ligne fine unique entre l'océan et le glacier, ce qui rend la tâche vulnérable aux prédictions inexactes. La disponibilité limitée d'images de glaciers annotées entraîne un manque de diversité des données (toutes les combinaisons possibles de différentes conditions météorologiques, formes du terminus, capteurs, etc., ne sont pas présentes dans les données), ce qui augmente la difficulté d'une segmentation précise.Dans cet article, nous proposons Attention-Multi-hooking-Deep-supervision HookNet (AMD-HookNet), un nouveau cadre de segmentation des fronts de calving pour les images radar à synthèse d'ouverture (SAR). La méthode proposée vise à améliorer la capacité de représentation des caractéristiques grâce à plusieurs interactions d'information entre les entrées à faible résolution et celles à haute résolution, basées sur un U-Net à deux branches. Le mécanisme d'attention intégré au U-Net à deux branches vise à interagir entre les cartes de caractéristiques correspondantes grossières et fines. Cela permet au réseau d'ajuster automatiquement les relations entre les caractéristiques, aboutissant ainsi à des prédictions précises de classification pixel par pixel. Des expériences étendues et des comparaisons sur le jeu de données基准数据集CaFFe（此处应为“benchmark dataset CaFFe”）difficile pour la segmentation glaciaire montrent que notre AMD-HookNet atteint une erreur moyenne de distance de 438 mètres par rapport à la vérité terrain, surpassant l'état actuel de l'art de 42 %, ce qui valide son efficacité.Note: "基准数据集CaFFe" 应该翻译为 "jeu de données benchmark CaFFe"。由于原文中使用了中文，这里特别标注出来以确保准确性。