超像素分割方法是否影响森林砍伐图像分类？

图像分割是包括通过遥感进行环境监测在内的各种视觉应用中的关键步骤。在森林眼睛（ForestEyes）项目中，该项目将公民科学与机器学习结合用于检测热带森林砍伐，图像片段用于志愿者标注和后续模型训练。传统上，采用简单线性迭代聚类（SLIC）算法作为分割方法。然而，最近的研究表明，其他基于超像素的方法在遥感图像分割方面优于 SLIC，可能更适合用于检测被砍伐区域的任务。就此而言，本研究调查了四种最佳分割方法（包括 SLIC）对目标应用分类器训练的影响。最初，结果显示即使选择前五个使用 PyCaret AutoML 库的分类器，分割方法之间的性能差异很小。然而，通过应用分类器融合方法（分类器的集成），在平衡准确率方面可见提高，凸显了分割方法选择以及机器学习模型组合对于砍伐检测任务的重要性。