基于卫星影像与卷积神经网络的自主蚊虫栖息地检测用于疾病风险制图
计算机视觉与模式识别
2022-03-15 v2
摘要
蚊子是已知的疾病传播媒介，每年在全球造成超过一百万人死亡。大多数自然蚊虫栖息地是含有积水的区域，在宏观尺度下难以使用传统地面技术检测。无人机、UAV 及其他航空成像技术等当代方法在实施时成本高昂，且仅在较细空间尺度上最为准确，而所提出的卷积神经网络（CNN）方法可应用于疾病风险制图，并在更全局尺度上进一步指导预防工作。通过评估自主蚊虫栖息地检测技术的性能，可以以经济高效的方式预防蚊媒疾病的传播。该方法旨在通过对卫星影像运用计算机视觉进行概念验证，识别难以使用地面技术调查的广阔区域中蚊虫栖息地的时空分布。本研究展示了对 3 种不同 CNN 模型的评估与结果，以确定其预测大规模蚊虫栖息地的准确性。对于该方法，我们构建了一个包含多种地理特征的数据集。较大的土地覆盖变量如池塘/湖泊、入海口和河流被用于分类蚊虫栖息地，而微小地点为提高大尺度准确性被省略。使用该数据集，我们训练并评估了多个 CNN 网络以预测栖息地的准确性。与大多数航空成像技术不同，在现成卫星影像上利用基于 CNN 的方法具有成本效益且可扩展。测试显示 YOLOv4 在识别大规模蚊虫栖息地的检测中获得了更高的准确性。
引用
@article{arxiv.2203.04463,
title = {Autonomous Mosquito Habitat Detection Using Satellite Imagery and Convolutional Neural Networks for Disease Risk Mapping},
author = {Sriram Elango and Nandini Ramachandran and Russanne Low},
journal= {arXiv preprint arXiv:2203.04463},
year = {2022}
}
备注
8 pages, 11 figures