ArcticNet：一种用于分类北极湿地的深度学习方案
计算机视觉与模式识别
2019-06-04 v1
摘要
北极环境在气候变暖下正迅速变化。其中湿地作为一种生态系统尤为引人关注，它是地表最有效的长期碳储库。随着永久冻土融化，封存于这些湿地土壤数千年的碳可用于好氧和厌氧分解，分别释放CO2和CH4回大气。由于CO2和CH4是强效温室气体，这种碳从陆地向大气的转移进一步加剧全球变暖，从而以正反馈循环加快永久冻土退化。因此，监测北极湿地健康与动态是一项关键科学任务，对政策亦具重要意义。然而，对这些重要湿地生态系统的识别与勾绘仍不完整且常不准确。绘制北极湿地分布范围仍是科学界的一大挑战。传统的较粗分辨率遥感方法不足以区分表征北极湿地的多样且微地形复杂的非维管植被，亟需更好的识别方法。为应对这一难题，我们构建并标注了首创的北极湿地数据集（AWD）。基于此，我们提出ArcticNet，一种深度神经网络，利用纳米卫星（Planet Dove CubeSats）捕获的多光谱高分辨率影像及来自ArcticDEM项目的附加DEM，将北极研究区语义标注为六类，其中包含三种北极湿地功能类型。我们付出多方面努力以应对由此产生的挑战，包括类不平衡及融合策略的选择。初步结果印证了ArcticNet的高潜力，在本文北极研究区的留出区域集上标注准确率达93.12%。
引用
@article{arxiv.1906.00133,
title = {ArcticNet: A Deep Learning Solution to Classify Arctic Wetlands},
author = {Ziyu Jiang and Kate Von Ness and Julie Loisel and Zhangyang Wang},
journal= {arXiv preprint arXiv:1906.00133},
year = {2019}
}
备注
Published at CVPR 2019 Detecting Objects in Aerial Images Workshop