基于多级注意力域自适应网络的跨区域油棕树计数与检测
计算机视觉与模式识别
2020-08-27 v1
摘要
提供大区域棕榈树种植园的准确评估可在经济和生态两方面带来有意义的影响。然而，巨大的空间尺度与跨区域地质特征的多样性，使得基于人工监测努力的有限方案成为一项重大挑战。尽管近年来基于深度学习的算法已展现出形成自动化方法的潜力，但覆盖不同区域不同特征所需的标注工作极大制约了其在大规模问题中的有效性。本文提出一种新颖的域自适应油棕树检测方法，即多级注意力域自适应网络(MADAN)，以实现跨区域油棕树计数与检测。MADAN包含4个步骤：首先，我们采用基于批-实例归一化网络(BIN)的特征提取器以提升模型泛化能力，整合批归一化与实例归一化。其次，我们在架构中嵌入多级注意力机制(MLA)以增强可迁移性，包括特征级注意力与熵级注意力。然后我们设计最小熵正则化(MER)，通过为熵惩罚分配熵级注意力值来提升分类器预测的置信度。最后，我们采用基于滑动窗口的预测与基于IOU的后处理方法来获得最终检测结果。我们使用三个不同大规模油棕种植区卫星影像、六个迁移任务进行了全面的消融实验。相较于基线方法(无DA)，MADAN在平均F1分数上提升检测精度14.98%，并比现有域自适应方法表现优3.55%-14.49%。
引用
@article{arxiv.2008.11505,
title = {Cross-regional oil palm tree counting and detection via multi-level attention domain adaptation network},
author = {Juepeng Zheng and Haohuan Fu and Weijia Li and Wenzhao Wu and Yi Zhao and Runmin Dong and Le Yu},
journal= {arXiv preprint arXiv:2008.11505},
year = {2020}
}
备注
39 pages, 13 figures, accepted by ISPRS PG&RS