基于 LLM 专家的树种分类知识驱动伪标签生成
计算机视觉与模式识别
2026-04-20 v1
摘要
光谱树种分类因受限且不平衡的类别标签、光谱混合（来自多个物种的重叠光信号）以及生态异质性（不同生态系统之间的变异性）而具有挑战。解决这些挑战需要方法能够整合植被的生物学和结构特征，如树冠建筑和种间相互作用，而不仅仅是依赖光谱特征。本文提出了一种生物学信息化的半监督深度学习方法，将多传感器 Earth observation 数据，即光谱成像 (HSI) 和航空激光扫描 (ALS)，与专家生态知识相结合。该方法依赖于对预计算树冠图进行生物学激发的伪标签，实现低训练成本下的准确分类。此外，基于可靠来源自动推导的生态先验（species cohabitation）被集成到伪标签策略中，有效地将专家知识引入模型。在真实世界森林数据集上的实验表明，该方法比最佳参考方法提高了 5.6%。对生态先验的专家评估显示，其准确性很高，差异不超过 15%。
引用
@article{arxiv.2604.16115,
title = {From Articles to Canopies: Knowledge-Driven Pseudo-Labelling for Tree Species Classification using LLM Experts},
author = {Michał Romaszewski and Dominik Kopeć and Michał Cholewa and Katarzyna Kołodziej and Przemysław Głomb and Jan Niedzielko and Jakub Charyton and Justyna Wylazłowska and Anna Jarocińska},
journal= {arXiv preprint arXiv:2604.16115},
year = {2026}
}