基于深度学习数据为中心策略与甚高分辨率卫星影像的龙舌兰作物分割与成熟度分类
计算机视觉与模式识别
2023-04-07 v2 人工智能
摘要
负责任且可持续的龙舌兰-龙舌兰酒产业链对墨西哥龙舌兰产区的社会、环境与经济发展至关重要。因此，开发用于大尺度自动龙舌兰产区监测的新工具具有现实意义。本工作中，我们提出一种利用甚高分辨率卫星影像进行龙舌兰（Agave tequilana Weber azul）作物分割与成熟度分类的方法，可服务于该任务。为此，我们解决了龙舌兰作物分割这一极特定场景中的实际深度学习问题，如数据匮乏、标签质量低、数据高度不平衡以及模型性能低。所提策略超越了数据增强与数据迁移，结合了主动学习与在人工监督下合成图像的生成。结果表明，测试集上以交并比（IoU）衡量的分割性能从 0.72 提升至 0.90。我们还提出一种龙舌兰作物成熟度分类方法，准确率达 95%。借助所得精确模型，大区域龙舌兰产量预测成为可能。此外，一些供需问题如龙舌兰过量供应或森林砍伐等可被早期侦测。
引用
@article{arxiv.2303.11564,
title = {Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery},
author = {Abraham Sánchez and Raúl Nanclares and Alexander Quevedo and Ulises Pelagio and Alejandra Aguilar and Gabriela Calvario and E. Ulises Moya-Sánchez},
journal= {arXiv preprint arXiv:2303.11564},
year = {2023}
}
备注
12 pages, 8 figures