小样本/无样本情形下的作物制图：一种基于两级级联分类器并融合领域知识的方法
计算机视觉与模式识别
2023-02-22 v1 机器学习
摘要
利用遥感技术进行作物制图对粮食安全和土地管理具有重要意义。基于机器学习的方法近年来已成为作物制图的热门途径。然而，机器学习的关键——获取充足且准确的样本——通常耗时费力。为解决该问题，提出了一种小样本/无样本情形下的作物制图方法，其融合领域知识并采用级联分类框架，将基于强特征样本学习的弱分类器与基于弱特征样本训练的强分类器相结合。首先，基于多种作物的领域知识，应用决策树等低容量分类器获取具有显著特征和完整观测序列的像素作为“强特征”样本。然后，为提升这些样本的代表性，根据目标区域平均有效观测比例人为去除“强特征”样本观测的样本增广策略被应用。最后，基于原始样本与增广样本，训练随机森林等大容量分类器用于作物制图。该方法在2021年先正达集团中国举办的MAP作物识别竞赛中取得82%总体精度（三等奖，第四名）。该方法融合领域知识以克服样本获取困难，为作物制图提供了便捷、快速且准确的方案。
引用
@article{arxiv.2302.10270,
title = {Crop mapping in the small sample/no sample case: an approach using a two-level cascade classifier and integrating domain knowledge},
author = {Yunze Zang and Yifei Liu and Xuehong Chen and Anqi Li and Yichen Zhai and Shijie Li and Luling Liu and Chuanhai Zhu and Ruilin Chen and Shupeng Li and Na Jie},
journal= {arXiv preprint arXiv:2302.10270},
year = {2023}
}
备注
in Chinese language