پیشنهاد یک شبکه عصبی کانوولوشنی چندمقیاسه برای آشکارسازی خودکار ابرها و سایه ابرها در تصاویر ماهواره گائوفِن-1

یک گام مهم در پیش‌پردازش تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا، بازسازی اطلاعات آلوده به پوشش ابرها و سایه ابرها است. اولین گام در فرآیند خودکار بازسازی اطلاعات آلوده به ابرها و سایه ابرها، مرحله آشکارسازی خودکار ابرها و سایه ابرها است. این مرحله به دلیل عملکرد نسبتاً نامناسب روش‌های موجود در صحنه‌های پیچیده در تصاویر با قدرت تفکیک مکانی بالا، یک چالش قابل‌توجه است. در سال‌های اخیر، دقت فرآیند آشکارسازی ابرها و سایه ابرها با به‌کارگیری شبکه‌های عصبی کانوولوشنی عمیق بهبود یافته است. مساله افزایش تعمیم‌پذیری برای آشکارسازی ابرها و سایه ابرها یکی از مشکل‌های شبکه‌های عصبی کانوولوشنی عمیق است. در این تحقیق، راه‌حلی برای مشکل تعمیم‌پذیری آشکارسازی ابرها و سایه ابرها در تصاویر ماهواره گائوفِن1 ارائه شده است. در این راستا، یک معماری یادگیری عمیق چندمقیاسه (multicloudnet) مبتنی بر فیلتر‌هایی با ابعاد مختلف برای آشکارسازی دقیق ابرها و سایه ابرها در تصاویر تک زمانه ماهواره گائوفِن1 بر اساس طراحی بلوک‌های باقی‌مانده جدید مبتنی بر حذف تصادفی عُمق، پیشنهاد شده است. در معماری پیشنهادی، فرآیند آشکارسازی ابرها و سایه ابرها بر اساس تابع آنتروپی متقاطع وزن‌دار برای حل مساله عدم تعادل پیکسل‌های هدف، برای تولید نقشه نهایی صورت می‌گیرد. روش پیشنهادی با استفاده از 12 تصویر ماهواره گائوفِن1 با توزیع جهانی و با استفاده از سرویس رایانش ابری گوگل کولَب پیاده‌سازی و اعتبارسنجی شده است. نتایج با استفاده از مجموعه تصاویر ماهواره گائوفِن1، با کسب میانگین نمره f1 و ضریب شباهت ژاکارد برابر 97 و 96 برای کلاس ابر و مقادیر 95.5 و 94.5 برای کلاس سایه ابر و با ضریب کاپای 0.98 نشان‌دهنده دقت مناسب‌تر در آشکارسازی خودکار جزئیات حاشیه‌ای ابرها و سایه ابرها و دستیابی به هزینه محاسباتی کمتر در مقایسه با یک روش پیشرفته یادگیری عمیق و یک روش پیشرفته آماری است.

A multi-scale convolutional neural network for automatic cloud and cloud shadow detection from Gaofen-1 images

The reconstruction of the information contaminated by cloud and cloud shadow is an important step in preprocessing of highresolution satellite images. The cloud and cloud shadow automatic segmentation could be the first step in the process of reconstructing the information contaminated by cloud and cloud shadow. This stage is a remarkable challenge due to the relatively inefficient performance of the current methods in complex scenes in multispectral highresolution satellite images. In recent years, using deep convolutional neural networks has largely improved the performance of cloud and cloud shadow segmentation. Increasing the generalization capability of cloud and cloud shadow segmentation is one of the problems of deep convolutional neural networks. In this paper, we focus on tackling the poor generalization performance of automatic cloud and cloud shadow segmentation in Gaofen1 (GF1) images. In this regard, we propose a deep learning multiscale method, founded on multidimension filters, for accurate segmentation of cloud/cloud shadow in single date GF1 images which is based on a new multiscale deep residualconvolutional neural network called MultiCloudNet. The cloud/cloud shadow masks are extracted based on a new loss function to generate the final cloud/cloud shadow masks. The MultiCloudNet was implemented in the Google Colab and was validated using 12 globally distributed GF1 images. The quantitative assessments of test images show that the average F1 score, the average Jaccard Similarity Index (JSI), and the Kappa coefficient for cloud (cloud shadow) segmentation are about 97 (95.5), 96 (94.5), and 0.98, respectively. The experimental results using the GF1 images demonstrate a more reasonable accuracy and efficient computational cost achievement of the proposed method compared to the automatic cloud/cloud shadow segmentation performance of two advanced deep learning and statistical methods.