HighLoad++ 2017
Зал «Найроби+Касабланка», 7 ноября, 18:00
Тезисы:
http://www.highload.ru/2017/abstracts/2987.html
Спутниковые изображения Landsat-8 являются одним из наиболее востребованных инструментов мониторинга и исследования земной поверхности. Одной из главных проблем использования этих изображений является зашумленность их облаками и тенями от облаков. На начальном этапе обработки необходимо "отбраковать" зашумленные части сцен или сцены целиком. Традиционные алгоритмы, такие как Fmask неплохо работают, однако они требуют достаточно сложной и тонкой настройки параметров и порогов, зависят от "проблемной" частотной полосы TIRS (Termal Infra Red), а также плохо справляются с тонкими облаками верхних ярусов.
...
(PRIYA) Rajgurunagar Call Girls Just Call 7001035870 [ Cash on Delivery ] Pun...
Распознавание облаков и теней на спутниковых изображениях с использованием глубокого обучения / Анатолий Филин (Грамант)
1. Распознавание
облаков и теней на
спутниковых
изображениях с
использованием
глубокого обучения
Анатолий Филин, Грамант, Fertyle
Guru Pradhan, Fertyle
2. Deep learning Based
Cloud And Shadows
Detection on Satellite
images
Anatol Filin, Gramant, Fertyle
Guru Pradhan, Fertyle
3.
4. Importance of cloud detection
why does it matter?
Per field/zone/pixel
Vegetation
Soil
Nutrition
Irrigation
Infestation
Agri-specific
multi-spectral
models
7. Satellite Scenes - bands
Volgograd
Band 1: Coastal/Deep
Blue
Band 2: Blue Band 3: Green Band 4: Red
Band 5: Near Infrared
Band 6: Short Wave
Infrared (1.6 um)
Band 7: Short Wave
Infrared (2.2 um)
Band 9: Cirrus (1.36 um)
8.
9. Satellite scenes – Cloud contamination
Volgograd Urumqi, China Paris, France
Nairobi,Kenya Amazon Forest Las Vegas,US
11. FMASK Flowchart
Landsat 8
Bands
Cloud|Haze|
Snow vs Cloud|
Water tests
Thermal band ->
temperature
Pixel +
temperature ->
Cloud
probabilities
Cloud, Water,
Land,
Snow
- probabilities
Cloud
Shadows
FINAL
CLASSIFICATION:
Cloud,
Cloud Shadow,
Land,
Water,
Snow
12. Traditional Algorithms - FMASK
Find related cloud
shadow pixels using
• solar geometry
• connectivity information
Source: CESBIO
Identify cloud pixels
using thresholds
13. Problems with FMASK
• Complicated algorithm -> have to tune for each satellite
• Connectivity and spatial relationships only used for cloud shadow
determination. They should also be used for cloud detection!
• Very sensitive to threshold values
• Real implementation often crash on some non standard situations
• No way to detect thin clouds!
18. Our approach: patch extraction
- The red pixel represents
the center pixel of a 31x31
patch
- Center Pixel -> Class
- Extract patches for every
pixel in a scene and
classify
26. Training approach
• Concentrate on Grass/Cropland Scenes For a Total of 12
Images
• Randomly extract (almost) equal amount of 31x31 patches
per class per scene
• Force at least 25% of all patches extracted per class to
contain “mixed” categories of pixels i.e, at least 20% of patch
pixels will be of a different category than the target pixel
28. Training approach – cont.
• 70/20/10: Training/Test/Validation Split
• Training Patches: 440,678 / Test Patches: 125, 908 /
Validation Patches: 62954
29. Top of atmosphere conversion
• Rescale raw pixels into Top of Atmosphere (TOA) reflection
TOA Conversion
MρQcal + Aρ
cos(θSZ)
ToA =
Mρ = Band-specific multiplicative rescaling factor
Aρ = Band-specific additive rescaling factor
Qcal = Raw Band-Specific Pixel Value
θSZ = Local solar zenith angle
32. Improvement over humans ??
Cloud
Shadow
Mislabeled
as “Clear”
Human Classifier Thought These Dark Bodies Were “Clear” (probably
thought they were water bodies. However, the FertyleNet correctly
labeled these areas as cloud shadows!
35. Accuracy results
Test Set: 125,908 patches (25%/75% heterogenous-homogenous mix)
Over 12 Grass/Cropland Scenes
Model Name Accuracy Relative
to baseline
Notes
Fmask - baseline 90.1% TOA No thin clouds
Fertyle (Raw) 84.4% -5.7%
SinglePath CNN 92% +0.9% TOA With thin clouds
FertyleNet 94.9% +4.8% TOA With thin clouds
36. Performance sucks (for now)
FMASK – 2-3 minutes per scene
Fertyle Net ~ 2 hours per scene
38. Software and hardware used
• Python Libraries For Preprocessing
(landsat-util, GDAL, Scikit-Learn)
• Python Libraries for Deep Learning
(Keras, TensorFlow)
• Hardware: Nvidia GeForce Titan X
(3082 CUDA Cores, 336.5 GB/sec
Memory Bandwidth)
39. Other Projects
Insects classification and
quantification based on photo and
video
Spatio-temporal blending of
satellite images using Recurrent
Neural Networks or similar
methods
Конвейер обработки изображений в точном земледелии
ДЗЗ – дистанционное зондирование Земли
Группировка спутников Landsat 7 + Landsat 8 -> Sentinel
Российская группировка – конференция в ИКИ – сотни докладчиков
Сегодня в российской орбитальной группировке ДЗЗ восемь космических аппаратов Ресурс –П, Канопус.
OLI – Operational Land Imager
TIRS – thermal infrared sensor
Все – в оптическом диапазоне
Landsat-8 – один раз в 16 дней пролетает над каждой точкой земной поверхности
L7+L8 – раз в неделю
Спектральные полосы. Много-спектральное изображение. В нашей обработке используется 8 полос
Сцены ориентированы по меридиану, а спутник летает вокруг земли по спирали, камера ориентирована с угловым сдвигом к меридиану.
RELU – Rectified Linear Unit
Geological Survey – американское геологическое агентство.
96 изображений
Не только облака, но и thin clouds – тонкие облака
Это линейная сверточная сеть
Составляем сверточные уровни и/или субдискретизирующие, подвыборка слои - pooling
НО МЫ ДУМАЕМ, что ЕСТЬ БОЛЕЕ ЭФФЕКТИВНЫЙ СПОСОБ
Несколько ветвей или путей отлично подходит для по-пихельной классификации
Явно выявляется «локальная» и «глобальная» информация
Равное количество объектов в классе уменьшает bias. Смесь гомогенных и гетерогенных патчей заставляет модель работать в разнообразных условиях. Выбор с/х земель ограничивает скоуп и уменьшает размер выборки
Чтобы бы не перегружать цветовую палитру, облака и тонкие облака были объединены в один класс