Towards Reliable Sea Ice Drift Estimation in the Arctic Deep Learning Optical Flow on RADARSAT-2
Daniela Martin and Joseph Gallego
准确估计海冰漂移对北极航行、气候研究和操作预测至关重要。 虽然光流是一种计算机视觉技术,用于估计连续图像之间的像素智能运动,但在计算机视觉方面进展迅速,但它对地球物理问题和卫星图像的适用性仍然没有得到很好的探索。 经典的光流方法依赖于数学模型和对运动的强烈假设,这限制了他们在复杂场景中的准确性。 最近基于深度学习的方法大大提高了性能,现在是计算机视觉的标准,促使它们应用于海冰漂移估计。 我们在RADARSAT 2 ScanSAR海冰图像上展示了48个深度学习光流模型的第一个大规模基准,通过端点误差(EPE)和Fl针对GNSS跟踪浮标的所有指标进行评估。 几个模型实现了低于公里精度(EPE 6到8像素,300到400米),相对于海冰运动的空间尺度和北极的典型导航要求,这是一个小错误。 我们的结果表明,这些模型能够捕获一致的区域漂移模式,并且最近基于深度学习的光流方法与经典方法相比大大提高了运动估计精度,可以有效地转移到极地遥感。 光流产生空间连续漂移场,为每个图像像素提供运动估计值,而不是在稀疏浮标位置,为导航和气候建模提供新的机会。
Accurate estimation of sea ice drift is critical for Arctic navigation, climate research, and operational forecasting. While optical flow, a computer vision technique for estimating pixel wise motion between consecutive images, has advanced rapidly in computer vision, its applicability to geophysical problems and to satellite SAR imagery remains underexplored. Classical optical flow methods rely on mathematical models and strong assumptions about motion, which limit their accuracy in complex sce...