考虑多时相信息的大规模作物图图映射的弱监督框架
机器人学
2024-11-28 v1 计算机视觉与模式识别
摘要
准确映射大规模作物地面对于农业生产管理和规划至关重要。目前，遥感数据与深度学习技术的结合在作物图图映射中显示出卓越的性能。然而，这些方法需要大量精确标签，因而昂贵且耗时。为降低标签成本，本研究提出了一种考虑多时相信息的大规模作物图图映射的弱监督框架。具体而言，我们根据其在全球陆地覆盖（GLC）产品中的一致性来提取高质量标签，以构建监督学习信号。在一个方面，为缓解模型对剩余高质量标签中残存错误产生的过度信任问题，我们对作物在视觉/空间域中的相似性/聚合进行编码，以构建无监督学习信号，并将其作为约束监督部分的正则化项。在另一个方面，为充分利用那些缺乏高质量标签的样本，我们还将无监督学习信号纳入这些样本中，以丰富特征空间的多样性。随后，为捕获作物的生长季节特征，我们引入稠密卫星图像时间序列（SITS）以扩展本框架在时序维度上的应用。我们还可视化了高维生长季节特征，以阐明多时相信息如何促进作物提取，同时评估了该方法在数据稀缺条件下的鲁性。实验表明，所提框架在三个研究区域（湖南省、法国东南部和美国堪萨斯州）中针对大规模作物图图映射表现出强大的适应性，并且还研究了其内部机制和时序通用性。
引用
@article{arxiv.2411.18476,
title = {A comparison of extended object tracking with multi-modal sensors in indoor environment},
author = {Jiangtao Shuai and Martin Baerveldt and Manh Nguyen-Duc and Anh Le-Tuan and Manfred Hauswirth and Danh Le-Phuoc},
journal= {arXiv preprint arXiv:2411.18476},
year = {2024}
}