深度变化监测：用于长期细粒度树木变化检测的双曲表征学习框架与数据集
计算机视觉与模式识别
2025-03-04 v1 人工智能
摘要
在环境保护中，树木监测在维持和改善生态系统健康方面发挥着至关重要的作用。然而，精确监测具有挑战性，因为现有数据集由于低分辨率图像和高采集成本，未能捕捉树木的连续细粒度变化。在本文中，我们引入了 UAVTC，一个大规模、长期、高分辨率的数据集，使用配备相机的无人机采集，专门用于检测个体树木变化（TC）。UAVTC 包含基于生物学知识的丰富标注和统计信息，为树木监测提供了细粒度视角。为应对环境影响并有效建模生理 TC 的层次多样性，我们提出了一种新型双曲孪生网络（HSN）用于 TC 检测，实现对动态树木变化的紧凑和层次化表征。大量实验表明，HSN 能够有效捕捉复杂的层次变化，为细粒度 TC 检测提供了鲁棒的解决方案。此外，HSN 在跨域人脸反欺骗任务上泛化良好，突显了其在人工智能领域的更广泛意义。我们相信，结合生态学见解和跨学科专业知识的工作将通过提供新的基准和创新的人工智能技术造福学界。
引用
@article{arxiv.2503.00643,
title = {Deep Change Monitoring: A Hyperbolic Representative Learning Framework and a Dataset for Long-term Fine-grained Tree Change Detection},
author = {Yante Li and Hanwen Qi and Haoyu Chen and Xinlian Liang and Guoying Zhao},
journal= {arXiv preprint arXiv:2503.00643},
year = {2025}
}
备注
10 pages, 6 figures