IrrNet：基于遥感影像的递增 patch 大小训练在灌溉映射中的应用
计算机视觉与模式识别
2024-04-19 v1
摘要
灌溉映射在有效的水管理中发挥着关键作用，这对于保持水质和水量至关重要，也是缓解全球水资源短缺问题的关键。农业田ield 的复杂性体现在其拥有多样化的灌溉实践，尤其是在多个灌溉系统紧密相邻的情况下，这种复杂性更为突出。这种复杂性进一步增加了由于Landsat遥感数据特性所带来的挑战——每个像元都包含丰富且密集的信息，使得准确的灌溉映射任务变得复杂。本研究引入一种创新方法，采用渐进式训练方法， strategically 增加训练过程中的 patch 大小，利用来自 Landsat 5 和 7 的数据集，并使用WRLU数据集进行精确标注。这种初始方法使模型能够捕获细节特征，随着 patch 大小的增大，逐渐转向更广泛、更通用的特征。值得注意的是，我们的方法将现有最先进模型的性能提升了约20%。此外，我们深入分析了纳入各种光谱波段的重要性，评估了其对性能的影响。研究结果表明，额外的波段对于使模型更有效地辨别更细微的细节至关重要。本工作为利用遥感影像进行灌溉映射设定了新的标准。
引用
@article{arxiv.2404.11762,
title = {IrrNet: Advancing Irrigation Mapping with Incremental Patch Size Training on Remote Sensing Imagery},
author = {Oishee Bintey Hoque and Samarth Swarup and Abhijin Adiga and Sayjro Kossi Nouwakpo and Madhav Marathe},
journal= {arXiv preprint arXiv:2404.11762},
year = {2024}
}
备注
Full version of the paper will be appearing in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops, 2024