On-Board Change Detection in Satellite Imagery: Leveraging Transfer Learning for Flood Detection

Bc. Jonáš Herec

Master's thesis

Abstract:

Tato práce zkoumá použití metod detekce změn pro monitorování katastrof na palubě satelitů. Mezi různými zvažovanými přístupy se jeden vyznačil svou praktičností v reálných aplikacích díky své výpočetní efektivitě a nízkým nárokům na úložiště. Přesnost tohoto přístupu se však ukázala jako nepředvídatelná, pravděpodobně kvůli jeho samoučícímu způsobu tréninku. K řešení tohoto problému práce používá trénování (fine-tuning) pomocí triplet loss. Pro tento účel byl představen malý, ale kvalitní dataset zaměřený na povodně. Modely trénované tímto způsobem dosáhly výrazně lepších výsledků při detekci povodní, což naznačuje potenciální aplikovatelnost tohoto přístupu na různé úlohy detekce změn. Práce také zdůrazňuje potenciál jednodušších metod, které nepoužívají strojové učení, a řeší problematiku testování těchto přístupů návrhem nových metrik. Zjištění z této práce mají významné důsledky pro budoucí výzkum.

Abstract:

This thesis explores change detection methods for disaster monitoring on board of the satellites. Among various approaches considered, one stood out for its practicality in real-world applications, owing to its computational and storage efficiency. However, this approach's performance proved unpredictable due to its self-supervised training. To address this issue, the thesis proposes and evaluates a method for fine-tuning the approach using triplet loss. A small yet high-quality dataset focused on floods was introduced for this purpose. The fine-tuned models yielded notably improved results for flood detection, surpassing other tested methods. This suggests the potential applicability of this approach to various change detection tasks. Moreover, the potential of machine learning-free methods is emphasized, and testing challenges are addressed by proposing modified metrics. These findings hold significant implications for future research.

Keywords

on-board, satellites, change detection, floods, spacecraft, disaster, variational autoencoder, siamese networks, triplet loss, neural networks, cosine distance

Language used: English

Date on which the thesis was submitted / produced: 21. 5. 2024

Thesis defence

• Date of defence: 21. 6. 2024
• Supervisor: doc. RNDr. Jan Sedmidubský, Ph.D.
• Reader: RNDr. Michal Batko, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Artificial intelligence and data processing / Machine learning and artificial intelligence