一种用于少标签区域农田分类的高效方法
计算机视觉与模式识别
2021-03-18 v1 人工智能
摘要
利用卫星时间序列图像进行农田分类的两个主要挑战是地面真值数据不足以及欠发达地区难以获取高质量高光谱图像。无标签的中分辨率卫星图像十分丰富,但如何利用它们仍是一个开放问题。我们将展示如何通过自监督任务挖掘其在农田分类中的潜力。自监督是一种为样本提供简单训练信号的方法,这些信号可从数据结构本身明显得出。因此,它们获取成本低,并能解释数据中一个简单概念。我们引入了三个用于农田分类的自监督任务。它们降低了认知不确定性,所得模型在广泛设置下相比SVM与随机森林表现出更优精度。随后,我们使用自监督任务执行无监督域适应,并从其他区域的标签样本中获益。知道传输什么信息以避免性能下降至关重要。我们展示了即便源域与目标域具有非常不同的特征分布,如何自动化农田分类中的信息选择与传输过程。在目标域无任何标签样本的情况下,相比基线架构我们将模型提升了约24%。我们的方法可逐步改进,适用于中分辨率卫星图像,且不需要复杂模型。代码与数据已公开。
引用
@article{arxiv.2103.09588,
title = {An Efficient Method for the Classification of Croplands in Scarce-Label Regions},
author = {Houtan Ghaffari},
journal= {arXiv preprint arXiv:2103.09588},
year = {2021}
}