训练数据预处理提升基于卷积神经网络的地貌语义分割精度与泛化能力
计算机视觉与模式识别
2023-08-15 v1 机器学习
摘要
在本文中，我们在澳大利亚昆士兰湿热带和阿瑟顿高原的航拍照片上，尝试了不同的卷积神经网络（CNN）训练数据准备方法以及土地利用和土地覆盖（LULC）特征的语义分割方法。这通过尝试和排序各种训练块选择采样策略、块与批大小以及数据增强和缩放来进行。我们还通过比较使用单遍块网格和平均多次网格遍次及每个块的三个旋转版本来比较模型精度。我们的结果表明：用于生成训练块的分层随机采样方法提高了面积较小类别的精度，同时对较大类别影响最小；较少数量的较大块比较多数目的较小块提高了模型精度；应用数据增强和缩放对于创建能够准确分类不同日期和传感器影像中LULC特征的泛化模型至关重要；以及通过平均多个块网格和每个块的三个旋转版本生成输出分类产生了更准确且美观的结果。结合试验的发现，我们在2018年训练影像上充分训练了五个模型，并将模型应用于2015年测试影像，输出的LULC分类达到了平均kappa系数0.84、用户精度0.81和生产商精度0.87。本研究展示了数据预处理对于开发可应用于不同日期和传感器的LULC分类泛化深度学习模型的重要性。未来使用CNN和地球观测数据的研究应实施本研究的发现，以提高LULC模型的精度和可迁移性。
引用
@article{arxiv.2304.14625,
title = {Pre-processing training data improves accuracy and generalisability of convolutional neural network based landscape semantic segmentation},
author = {Andrew Clark and Stuart Phinn and Peter Scarth},
journal= {arXiv preprint arXiv:2304.14625},
year = {2023}
}