.png){kind=icon}
返回
IceBench: A Benchmark for Deep-Learning-Based Sea-Ice Type Classification
.png){kind=icon}
OA
AI
DOI：10.3390/rs17091646.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
海冰在全球气候系统和海上作业中发挥着关键作用，因此及时准确的分类至关重要。然而，传统的手动方法耗时、成本高，且存在固有偏差。通过自动化海冰类型分类可应对这些挑战，实现更快速、更一致且可扩展的分析。尽管传统和深度学习方法均已被探索，但深度学习模型为提高海冰分类的效率和一致性提供了有前景的方向。然而，缺乏标准化的基准和比较研究阻碍了对最佳性能模型的明确共识。为弥补这一差距，我们引入了IceBench，一个用于海冰类型分类的综合基准框架。我们的主要贡献有三点：首先，我们建立了IceBench基准框架，该框架利用现有的AI4Arctic海冰挑战赛数据集作为标准数据集，纳入一套全面的评估指标，并包含来自整个海冰类型分类方法谱系中的代表性模型，这些方法被分为两类，即基于像素的分类方法和基于图块（patch）的分类方法。IceBench是开源的，允许方便地集成和评估其他海冰类型分类方法，从而促进新方法的比较评估并提高该领域的可重复性。其次，我们对代表性模型进行深入比较研究，以评估其优缺点，为实践者和研究人员提供见解。第三，我们利用IceBench进行系统性实验，以解决关于模型在季节（时间）和地点（空间）间的可迁移性、数据降采样以及预处理策略等关键研究问题。通过识别不同条件下的最佳性能模型，IceBench为未来研究提供了宝贵参考，并成为该领域的强大基准框架。
Keyword:
benchmarking
sea-ice type classification
sea-ice type segmentation
deep learning in remote sensing
model transferability
comparative study
期刊
IF:
4.1
论文数:
7.3K
被引数:
15.1W
机构
引用论文
分享收藏MMSeaIce: Multi-task Mapping of Sea Ice Parameters from AI4Arctic Sea Ice Challenge DatasetMMSeaIce: 基于 AI4Arctic 海冰挑战赛数据集的多任务海冰参数映射.png)
OAAI
IF0
OAAI分享收藏Accuracy and inter-analyst agreement of visually estimated sea ice concentrations in Canadian Ice Service ice charts using single-polarization RADARSAT-2使用单极化RADARSAT-2的加拿大冰情服务局海冰图中海冰浓度目视估计的准确性与分析员间一致性
OAAI
OAAI分享收藏
查看更多内容