Core Concepts
深層学習モデルにおける地すべりセグメンテーションのピクセルレベルの不確実性を評価する方法について検討します。
Abstract
地すべりは広範囲な危険であり、大規模なデータセットが必要です。
ピクセルレベルの不確実性を評価するために、3つの方法(Pre-Threshold、Monte-Carlo Dropout、Test-Time Augmentation)を比較しました。
Test-Time Augmentationが最も優れた結果を示しました。
4つの異なる深層学習アーキテクチャ(FCN-8、SegNet、DeepLab、U-Net)を使用して比較的高い精度を達成しました。
不確実性マップの品質を評価するためにキャリブレーションプロットやAUCスコアが使用されました。
Introduction
地すべりは世界中で広く発生しており、数多くの死亡者と被災者を出しています。
高品質かつ大規模なデータセットが必要ですが、手動で構築することは困難です。
Methods for Uncertainty Estimation
Pre-Threshold Values
ピクセル強度値を信頼度として使用します。
Monte-Carlo Dropout
ドロップアウトを使用してエピステミック不確実性を推定します。
Test-Time Augmentation (TTA)
複数の拡張画像から信頼度スコアを計算します。
Comparative Study of Models
Quantitative Comparison
IoUやPrecisionなど5つの指標でモデルのパフォーマンスを比較しました。
Qualitative Comparison
U-Netが最も優れた結果を示しました。
Evaluation Criteria
Calibration Plots
キャリブレーションプロットによって各不確実性測定法の品質が評価されます。
Area Under Curve (AUC)
ROC曲線下面積によって不確実性測定法のパフォーマンスが評価されます。
Image-Specific Thresholding
画像ごとに閾値を変化させてIoUaスコアが計算されます。
Results and Conclusion
TTAマップが最も効果的であり、U-netモデルが最も優れていることが示されました。IoUaおよびAUCスコアからも同様の結果が得られます。地すべり検出はマルチイメージセグメンテーションタスクとして取り組むことで効率的な結果が得られる可能性があります。
Stats
地すべりは300M人以上に影響し,年間約4164人の死亡事故や住民・道路・土地被害引き起こす.(引用: [4])
USGSは土砂崩れ報告書データベース保有.しかし,このデータセットは完全ではなく位置情報も精度欠如.(引用: [10])
TTA法は他2法より一貫した高品質結果提供.(引用: Content)
TTA法は信頼度マップ作成時回転・拡大・ぼかしへ堅牢.(引用: Content)