利用众包标签增强遥感图像中海荚森林检测：基于混合视觉变换器和ConvNeXt分割模型
计算机视觉与模式识别
2025-01-27 v1 人工智能
机器学习
摘要
海荚森林作为基石物种，对海洋生态系统至关重要，为众多生物提供必需的食物和栖息地。本研究探索了将众包标签与先进的人工智能模型集成，以开发一个基于Landsat图像的快速且准确的海荚冠层检测管线。该方法建立在机器学习竞赛的成功基础上，竞赛中该方法排名第三，在本地验证以及公共和私有排行榜上表现均表现良好，研究突显了将混合视觉变换器（MIT）与ConvNeXt模型结合的有效性。对这些模型在 various image sizes 上的训练显著增强了集合结果的准确性。U-Net作为最佳分割架构，UpperNet也为最终集合做出了贡献。关键Landsat波段，如短波红外（SWIR1）和近红外（NIR），至关重要，而高度数据用于后处理以消除陆地上的误报。该方法实现了高检测率，准确识别约四分之三包含海荚冠层的像素，同时保持误报率低。尽管Landsat卫星的中等分辨率，其广泛的历史覆盖范围使其成为研究海荚森林的有效工具。本工作还凸显了将机器学习模型与众包数据结合用于有效且可扩展的环境监测的潜力。所有训练模型和推理的运行代码均可在 https://github.com/IoannisNasios/Kelp_Forests 查看。
引用
@article{arxiv.2501.14001,
title = {Enhancing kelp forest detection in remote sensing images using crowdsourced labels with Mixed Vision Transformers and ConvNeXt segmentation models},
author = {Ioannis Nasios},
journal= {arXiv preprint arXiv:2501.14001},
year = {2025}
}