用深度学习识别雷达图像中的冰川断裂线，精度仍远低于人工标注。

Comparison Study: Glacier Calving Front Delineation in Synthetic Aperture Radar Images With Deep Learning

• 基于合成孔径雷达图像，用深度学习自动定位冰川断裂线。
• 模型误差最高达221米，人工标注误差仅38米。
• 适合关注冰川变化监测与遥感图像分析的研究者。

持续监测冰川断裂线对海平面上升预测至关重要。本研究对比了深度学习系统在合成孔径雷达（SAR）图像中进行断裂线划分的表现。尽管深度学习系统存在最高达221米的误差，而人类标注者误差仅为38米，凸显了进一步研究的必要性。

原文摘要 · Abstract (English)

Continuous monitoring of glacier calving fronts is essential for sea level rise projections. This study benchmarks Deep Learning systems for front delineation in Synthetic Aperture Radar imagery. While Deep Learning systems exhibit errors up to 221 m, human annotators deviate by only 38 m, underscoring the need for further research.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。