利用历史样本训练的卷积神经网络实现跨年度农田制图的泛化增强策略
计算机视觉与模式识别
2024-08-19 v2
摘要
借助高分辨率卫星影像和深度学习（DL）模型，大面积农田制图的准确性正在稳步提高，即使在农田小而几何形状不规则的地区也是如此。然而，开发有效的 DL 模型通常需要大量且昂贵的标签数据集，这些数据集通常仅适用于特定年份或地区。由于耕作实践和环境条件在年份和地区间发生变化，这限制了生成对农业监测至关重要的年度地图的能力。挑战在于设计一个足够灵活的模型，以考虑这些变化而无需年度标签。虽然域适应技术或半监督训练是常见解决方案，但我们探索了增强模型泛化能力的方法。我们的结果表明，采用整体方法至关重要，即结合多种提高泛化能力的技术。具体而言，使用基于面积的损失函数，如 Tversky-focal loss（TFL），显著提高了跨年份的预测性能。使用不同的增强技术有助于编码不同类型的不变性，特别是光度增强编码了对亮度变化的不变性，尽管它们增加了假阳性。光度增强、TFL 损失和 MC-dropout 的组合产生了最佳结果，尽管单独使用 dropout 会导致后续年份预测中出现更多假阴性。此外，输入归一化的选择有显著影响，当统计量在局部或整个数据集的所有波段上计算时，结果最佳。我们开发了一个工作流程，使 U-Net 模型能够在大面积上生成有效的多年农田地图。我们的代码可在 https://github.com/agroimpacts/cnn-generalization-enhancement 获取，并将持续更新改进。
引用
@article{arxiv.2408.06467,
title = {Generalization Enhancement Strategies to Enable Cross-year Cropland Mapping with Convolutional Neural Networks Trained Using Historical Samples},
author = {Sam Khallaghi and Rahebe Abedi and Hanan Abou Ali and Hamed Alemohammad and Mary Dziedzorm Asipunu and Ismail Alatise and Nguyen Ha and Boka Luo and Cat Mai and Lei Song and Amos Wussah and Sitian Xiong and Yao-Ting Yao and Qi Zhang and Lyndon D. Estes},
journal= {arXiv preprint arXiv:2408.06467},
year = {2024}
}