基于伪目标填补回归模型多目标深度学习的森林参数预测
计算机视觉与模式识别
2023-06-21 v1 图像与视频处理
摘要
在利用遥感(RS)数据预测森林参数时，回归模型传统上是在少量地面参考数据的样本上训练的。本文提出用现有基于 RS 的预测图（我们视为伪目标）来填补该真实预测目标样本。这大幅增加了目标训练数据量，并推动了深度学习(DL)在半监督回归建模中的使用。我们使用由机载激光扫描(ALS)数据构建的预测图来提供精确伪目标，并使用 Sentinel-1 的 C 波段合成孔径雷达(SAR)免费数据作为回归量。一个改进的 U-Net 架构适配了多种不同训练目标的选择。我们证明，当明智地组合损失函数时，半监督填补策略产生的结果超越了传统基于 ALS 的回归模型，尽管 \sen 数据在森林监测中被视为较差。这些结果在坦桑尼亚地上生物量预测和挪威树干体积预测的实验中保持一致，代表了参数和森林类型的多样性，强调了该方法的鲁棒性。
引用
@article{arxiv.2306.11103,
title = {Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation},
author = {Sara Björk and Stian N. Anfinsen and Michael Kampffmeyer and Erik Næsset and Terje Gobakken and Lennart Noordermeer},
journal= {arXiv preprint arXiv:2306.11103},
year = {2023}
}
备注
Submitted to IEEE Transactions on Geoscience and Remote Sensing