生产性农田检测：一个新数据集与深度学习基准结果
计算机视觉与模式识别
2023-07-27 v2 机器学习
摘要
在精准农业中，检测生产性农田是一项基本实践，使农户能够分别评估作业表现并比较不同种子品种、农药与肥料。然而，人工识别生产性农田通常耗时且易错。以往研究探索了利用先进机器学习算法检测农田的不同方法，但往往缺乏高质量标注数据。在此背景下，我们提出一个由机械作业结合随时间追踪的 Sentinel-2 影像生成的高质量数据集。据我们所知，它是首个运用该技术克服标注样本匮乏的数据集。随后，我们应用半监督分类以及最先进的监督与自监督深度学习方法自动检测生产性农田。最终，结果在正类-未标注（Positive Unlabeled）学习中展现出高准确率，这完美契合我们对正样本具有高置信度的问题。在具备准确数据集时，Triplet Loss Siamese 取得了最佳性能；而在无完备标注数据集可用的情况下，对比学习表现最佳。
引用
@article{arxiv.2305.11990,
title = {Productive Crop Field Detection: A New Dataset and Deep Learning Benchmark Results},
author = {Eduardo Nascimento and John Just and Jurandy Almeida and Tiago Almeida},
journal= {arXiv preprint arXiv:2305.11990},
year = {2023}
}
备注
Preprint of the paper https://doi.org/10.1109/lgrs.2023.3296064 published in IEEE Geoscience and Remote Sensing Letters