通过粗监督平滑 U-Net 从太空以极高分辨率监测植被
计算机视觉与模式识别
2022-07-19 v1 人工智能
摘要
以极高分辨率监测植被生产力对于现实世界的农业应用（如检测作物胁迫和提供粮食不安全早期预警）具有重要价值。太阳诱导叶绿素荧光（SIF）提供了一种从太空直接测量植物生产力的可行方式。然而，卫星 SIF 观测仅在粗空间分辨率下可用，使得监测单个作物类型或农场的状况变得不可能。这构成了一个极具挑战性的粗监督回归（或降尺度）任务：在训练时，我们仅有粗分辨率（3km）的 SIF 标签，但希望以更细的空间分辨率（如 30m，提升 100 倍）预测 SIF。我们还有额外的细分辨率输入特征，但这些特征与 SIF 之间的关系未知。为此，我们提出粗监督平滑 U-Net（CS-SUNet），一种适用于该粗监督设置的新方法。CS-SUNet 将深度卷积网络的表现力与基于先验知识（如平滑损失）的新正则化方法相结合，这些方法对于防止过拟合至关重要。实验表明，CS-SUNet 比现有方法更准确地分辨 SIF 的细粒度变化。
引用
@article{arxiv.2207.08022,
title = {Monitoring Vegetation From Space at Extremely Fine Resolutions via Coarsely-Supervised Smooth U-Net},
author = {Joshua Fan and Di Chen and Jiaming Wen and Ying Sun and Carla P. Gomes},
journal= {arXiv preprint arXiv:2207.08022},
year = {2022}
}
备注
13 pages, 8 figures, IJCAI-22 AI for Good Track