基于图像时间序列的作物制图：利用多尺度标签层次结构的深度学习
计算机视觉与模式识别
2021-08-17 v2
摘要
本文的目标是通过对卫星图像时间序列进行分类来绘制农作物图。农业领域专家使用的作物类型标签按层次树结构组织，其中粗粒度类别（如果园）被细分为更细的类别（如苹果、梨、葡萄等）。我们开发了一种利用该专家知识并显著提升稀有作物类型制图的作物分类方法。三级标签层次结构被编码在一个卷积循环神经网络（convRNN）中，使得模型为每个像素预测三个不同粒度级别的标签。这种端到端可训练的分层网络架构允许模型在较粗级别（如果园）学习稀有类别（如苹果、梨）的联合特征表示，从而提升细粒度级别的分类性能。此外，不同粒度的标注也使得根据分类分数调整输出成为可能；因为高置信度的粗粒度标签有时比细粒度但非常不确定的标签对农业实践更有用。我们在一个新发布的大型数据集上验证了所提方法。ZueriCrop 覆盖瑞士苏黎世和图尔高州 50 km × 48 km 的区域，包含总计 116,000 个独立田块、48 个作物类别，以及来自 Sentinel-2 的 28,000 个（多时相）图像块。我们将提出的分层 convRNN 模型与若干基线方法进行比较，包括为不平衡类别分布设计的方法。分层方法的 F1 分数至少高出 9.9 个百分点。
引用
@article{arxiv.2102.08820,
title = {Crop mapping from image time series: deep learning with multi-scale label hierarchies},
author = {Mehmet Ozgur Turkoglu and Stefano D'Aronco and Gregor Perich and Frank Liebisch and Constantin Streit and Konrad Schindler and Jan Dirk Wegner},
journal= {arXiv preprint arXiv:2102.08820},
year = {2021}
}