一种用于基于 Sentinel-2 时序数据准确且可解释区分小麦条锈病与缺氮的快傅里叶卷积深度神经网络
计算机视觉与模式识别
2023-07-03 v1 图像与视频处理
摘要
准确及时地检测植物胁迫对于产量保护至关重要，可支持更具针对性的干预策略。遥感与深度学习的最新进展在完全自动化、可复现地快速非侵入式检测植物胁迫方面展现出巨大潜力。然而，现有模型始终面临若干挑战：1）计算效率低，且易将症状相似的不同胁迫误分类；2）宿主—胁迫互作的可解释性差。本工作中，我们提出一种新颖的快傅里叶卷积神经网络（FFDNN），用于准确且可解释地检测两种症状相似的植物胁迫（即小麦条锈病与缺氮）。具体而言，与现有 CNN 模型不同，所提模型的主要组成部分包括：1）快傅里叶卷积块，一种以新提出的快傅里叶变换核作为基本感知单元，替代传统卷积核，以捕获植物胁迫在各时间尺度下的局部与全局响应，并在傅里叶域以更少的学习参数提升计算效率；2）胶囊特征编码器，将提取的特征封装为一系列向量特征，以层次化结构表示特定胁迫下宿主—胁迫互作的部分—整体关系。此外，为缓解过拟合，将基于光化学植被指数的滤波器作为预处理算子，以从输入的 Sentinel-2 时序中去除非光化学噪声。
引用
@article{arxiv.2306.17207,
title = {A Fast Fourier Convolutional Deep Neural Network For Accurate and Explainable Discrimination Of Wheat Yellow Rust And Nitrogen Deficiency From Sentinel-2 Time-Series Data},
author = {Yue Shi and Liangxiu Han and Pablo González-Moreno and Darren Dancey and Wenjiang Huang and Zhiqiang Zhang and Yuanyuan Liu and Mengning Huan and Hong Miao and Min Dai},
journal= {arXiv preprint arXiv:2306.17207},
year = {2023}
}
备注
24 pages