Беляков Никита Викторович,
5 курс 501 группа специалитета ФКИ МГУ
им. М.В. Ломоносова�231 группа НС
2023
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА Электро Л2
Курс «Нейронные сети и их применение в научных исследованиях»
Цели и задачи работы:
Динамическая семантическая сегментация облачности и снежного покрова в каждый момент съемки геостационарного метеорологического КА Электро Л2 по мультиспектральным данным с его съемочной аппаратуры МСУ-ГС.
КА Электро Л2 и его полезная нагрузка
Зона съемки КА Электро Л2
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Изображение Земли в каждом из каналов с КА Электро 2
Формат и описание данных аппаратуры МСУ-ГС:
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Формат хранения данных после обработки:
HDF5 формат хранения
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
После обработки мультиспектральных снимков нужно получать маски облачности и снега в каждый момент выдачи новых снимков (раз в полчаса):
Формат выходных данных и постановка задачи: семантическая сегментация на 3 класса
RGB
RGB
masks
masks
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Пороговое вычленение масок облачности из 6 и 9 ИК каналов Электро Л1
Методы, подходы и алгоритмы:
Получение масок облачности за счет
Вейвлет (Wavelet) преобразования
Все они имеют ряд ограничений, сильно зависят от конкретного участка съемки, сезона и времени суток, настраиваются вручную и показывают неточные результаты при отсутствии необходимых узких каналов в спектре SWIR (1300 нм).
Для выделения масок облачности и снега используются статистические методы и пороговые классификаторы.
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Анализ датасетов с других спутников (предпосылки к созданию собственной выборки):
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Анализ результатов имеющихся работ:
Архитектура модели GeoInfoNet:
Архитектура модели сверточного классификатора
для текстур (11*11*5) с Электро Л2:
predict
human labeled
RGB image
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Вход для нейросети: дополнительные каналы геоинформации (широта, долгота, высота):
Зависимости распределения облачности и снега от широты, долготы и высоты поверхности Земли
Дисбаланс классов снега и облачности:
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
В работе с применением сверточного классификатора к данным с Электро Л2 (классификация структур 11*11 пикселей на 3 класса), основная метрика качества F1-score. Для работ по сегментации облачности и снега на датасете Levir_CS используются метрики micro F1, F1_snow, F1_cloud, micro IoU, IoU_snow, IoU_cloud, FAR (False Alarm Ratio), для датасетов 38-Cloud, 95-Cloud – pixel Accuracy, Kappa-score.
Метрики и оценки качества сегментации:
Jaccard Index (Intersection over union):
False Alarm Ratio:
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Используемые модели и их сравнительный анализ:
U-Net architecture
DeepLabV3 architecture
MANet architecture
VS
VS
Проведено сравнение 3 архитектур моделей сегментации: U-Net++, DeepLabV3+ и MANet (Multi-Scale Attention Network) из segmentation-models-pytorch с encoder EfficientNet B1.
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Сравнение 3 архитектур моделей сегментации на датасете Levir_CS:
MANet architecture
+
+
Для улучшения сходимости обучения и увеличения объема данных используются аугментации, не меняющие спектр в каналах: вращения, отражения (группа D4), ряд геометрических аугментаций (дисторсия, афинные преобразования, растяжения), fancy PCA для R, G, B каналов.
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Сравнение 3 архитектур моделей сегментации на датасете Levir_CS (U-Net++):
Пример работы MANet на сэмплах из Levir_CS
Предпосылки к созданию собственной выборки
ground truth
U-Net++ prediction
RGB
НЕ SOTA
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Сбор собственного датасета с КА GOES-16,17:
Снимок с КА GOES-16 с наложенной картой высот и маской снега
Снимок с КА GOES-17 с наложенной картой высот и маской снега
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Разбиение изображения с Электро Л2 на патчи 224*224 пикселя (2304 патча с 1 снимка)
Предобработка данных для моделей сегментации:
masks
RGB
DEM
Разбиение патчей при формировании батчей с Электро Л2 формируется с учетом сильного дисбаланса классов (менее 2% снега на снимках), для этого используются метки патчей с наличием снег в масках, они подаются при формировании в батчи намного чаще других (WeightedRandomSampler)
Пример сэмпла с картой высот и масками
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Обучение модели MANet: функция потерь, WeightedRandomSampler, scheduler, optimizer
+
«снежный» патч датасета с GOES-16,17 с масками снега и облачности (Анды)
Используемая функция потерь при обучении
Используемый Ranger21 optimizer с AdamW core и его изменение learning rate при обучении MANet
(β = 0.3)
(ɣ= 2)
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Промежуточные результаты (обучение MANet на собственном датасете с КА GOES-16,17):
Результаты сегментации MANet на снимках с КА GOES-16 и GOES-17
предпосылки к созданию выборки для finetunning’а на данных с Электро Л2
SOTA
НЕ SOTA
transfer learning на Электро Л2
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Создание датасета с
КА Электро Л2:
Примеры сэмплов из созданного датасета (snowy patches)
(желтый – маска облачности, бирюзовый - снега)
RGB
masks
DEM
DEM
RGB
masks
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Сравнение собранных датасетов с КА GOES-16, 17 и Электро Л2 с уже имеющимися:
GOES-16,17 Dataset
Levir_CS
SPARCS
GOES-16,17 + Электро Л2
3 канала геоинформации
3 канала геоинформации
+
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Дообучение (finetunning) MANet на датасете с КА Электро Л2:
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Сравненеие MANet со сверточным классификатором на снимках с Электро Л2:
ground truth
CNN classifier prediction
MANet prediction
RGB
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Сравненеие MANet со сверточным классификатором на снимках с Электро Л2:
Результат сегментации обеих моделей на снимках с КА Электро Л2 в разное время суток на одну и ту же дату
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Explainability и анализ важности входных каналов и геоинформации для модели:
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Explainability и анализ важности входных каналов и геоинформации для модели:
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2
Заключение
Future Work
Спасибо за внимание!
Нейросетевая сегментация облачности и снежного покрова по данным с метеорологического КА электро Л2