AdaTreeFormer：基于单张高分辨率图像的树木计数少样本域自适应
计算机视觉与模式识别
2024-07-02 v4 机器学习
摘要
仅利用单张航空或卫星图像来估算和统计树木密度是摄影测量与遥感领域的一项艰巨任务，然而它在森林管理中发挥着至关重要的作用。不同地形中树木的巨大多样性严重阻碍了树木计数模型的性能。本文旨在提出一种框架，该框架从具有充足标记树木的源域中学习，并适应到仅拥有少量标记树木的目标域。我们的方法称为 AdaTreeFormer，包含一个共享编码器，采用分层特征提取方案以从源域和目标域中提取鲁棒特征。它还由三个子网组成：两个分别用于从源域和目标域提取自域注意力图，另一个用于提取跨域注意力图。对于后者，引入了一种注意力到自适应（attention-to-adapt）机制，以在生成树木密度图时从不同域中蒸馏相关信息；同时提出了一种分层跨域特征对齐方案，逐步对齐源域和目标域的特征。我们还在框架中采用了 adversarial learning，以进一步缩小源域和目标域之间的差距。我们的 AdaTreeFormer 在三个树木计数数据集（即 Jiangsu、Yosemite 和 London）上设计的六个域自适应任务上进行了评估。实验结果表明，AdaTreeFormer 显著超越了最先进水平（SOTA），例如在从 Yosemite 到 Jiangsu 数据集的跨域任务中，其绝对计数误差减少了 15.9 个点，检测到的树木位置准确率提高了 10.8\%。代码和数据集可在 https://github.com/HAAClassic/AdaTreeFormer 获取。
引用
@article{arxiv.2402.02956,
title = {AdaTreeFormer: Few Shot Domain Adaptation for Tree Counting from a Single High-Resolution Image},
author = {Hamed Amini Amirkolaee and Miaojing Shi and Lianghua He and Mark Mulligan},
journal= {arXiv preprint arXiv:2402.02956},
year = {2024}
}
备注
Accepted in ISPRS Journal of Photogrammetry and Remote Sensing