利用深度学习生成合成 SAR-光学数据提高作物分类精度
计算机视觉与模式识别
2024-02-07 v1 机器学习
图像与视频处理
摘要
利用遥感数据进行作物分类已成为近几十年来的一个突出研究领域。研究表明，融合 SAR 和光学图像可以显著提高分类精度。然而，该领域的一个主要挑战是训练数据的可用性有限，这对分类器的性能产生了不利影响。在农业地区，主要作物通常由一种或两种特定类型组成，而其他作物则稀缺。因此，在收集训练样本以创建农产品地图时，来自主要作物的样本丰富，构成了多数类。相反，来自其他作物的样本稀缺，代表了少数类。解决这一问题需要克服与传统数据生成方法相关的若干挑战和弱点。这些方法已被用于解决训练数据的不平衡性质。尽管如此，它们在有效处理少数类方面仍面临局限性。总体而言，训练数据不足的问题，特别是针对少数类的数据不足，仍然是传统方法难以克服的障碍。在本研究中，我们探讨了条件表格生成对抗网络（CTGAN）作为一种基于深度学习网络的合成数据生成方法，在利用 SAR-光学数据融合进行作物分类时，解决少数类训练数据有限挑战的有效性。我们的研究结果表明，所提出的方法生成的合成数据质量更高，可以显著增加少数类的样本数量，从而提高作物分类器的性能。
引用
@article{arxiv.2402.02121,
title = {Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning},
author = {Ali Mirzaei and Hossein Bagheri and Iman Khosravi},
journal= {arXiv preprint arXiv:2402.02121},
year = {2024}
}