elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Explainability Analysis of CNN in Detection of Volcanic Deformation Signal

Beker, Teo und Ansari, Homa und Montazeri, Sina und Song, Qian und Zhu, Xiao Xiang (2022) Explainability Analysis of CNN in Detection of Volcanic Deformation Signal. In: International Geoscience and Remote Sensing Symposium (IGARSS), Seiten 4851-4854. IGARSS 2022, 2022-07-17 - 2022-07-22, Kuala Lumpur, Malaysia. doi: 10.1109/IGARSS46834.2022.9883340.

[img] PDF
6MB

Offizielle URL: https://ieeexplore.ieee.org/document/9883340

Kurzfassung

With improvement in the processing of synthetic aperture radar interferometry (InSAR) data, the detection of long-term volcanic deformations becomes possible. While deep learning (DL) models are considered black-box models, challenging to debug, the advances in explainable AI (XAI) help understand the model and how it makes decisions. In this paper, the model is trained on synthetic InSAR velocity maps to detect slow, sustained deformations. XAI tools, including Grad-CAM and t-SNE, are utilized for understanding and improving the trained model. Grad-CAM helps identify the slope-induced signal and salt lake patterns responsible for the model’s mis-classifications. T-SNE feature representation visualizations are used to estimate data sets and model class separation ability. Additionally, a sensitivity analysis shows the model performance with different intensity deformation data and uncovers the minimal detectable deformations of 1 cm cumulative deformation over five years.

elib-URL des Eintrags:https://elib.dlr.de/186554/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Explainability Analysis of CNN in Detection of Volcanic Deformation Signal
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Beker, TeoTeo.Beker (at) dlr.dehttps://orcid.org/0000-0003-1907-4045NICHT SPEZIFIZIERT
Ansari, HomaHoma.Ansari (at) dlr.dehttps://orcid.org/0000-0002-4549-2497NICHT SPEZIFIZIERT
Montazeri, SinaSina.Montazeri (at) dlr.dehttps://orcid.org/0000-0002-6732-1381NICHT SPEZIFIZIERT
Song, QianQian.Song (at) dlr.dehttps://orcid.org/0000-0003-2746-6858NICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.dehttps://orcid.org/0000-0001-5530-3613NICHT SPEZIFIZIERT
Datum:2022
Erschienen in:International Geoscience and Remote Sensing Symposium (IGARSS)
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/IGARSS46834.2022.9883340
Seitenbereich:Seiten 4851-4854
Status:veröffentlicht
Stichwörter:Explainable AI, Grad-CAM, Volcano Detection, InSAR, Sensitivity Analysis
Veranstaltungstitel:IGARSS 2022
Veranstaltungsort:Kuala Lumpur, Malaysia
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:17 Juli 2022
Veranstaltungsende:22 Juli 2022
Veranstalter :IEEE
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz, R - SAR-Methoden
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Institut für Methodik der Fernerkundung > SAR-Signalverarbeitung
Hinterlegt von: Beker, Teo
Hinterlegt am:24 Mai 2022 14:27
Letzte Änderung:24 Apr 2024 20:47

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.