SepHRNet：基于可分离卷积 HRNet 从遥感影像生成高分辨率作物分布图
计算机视觉与模式识别
2023-07-13 v1 图像与视频处理
摘要
作物产量的精确制图对于保障粮食安全、有效资源管理和可持续农业实践至关重要。实现这一目标的一种方法是分析高分辨率卫星影像。深度学习在图像分析（包括遥感影像）方面已取得成功。然而，由于作物模式的复杂性和变异性，捕捉其精细模式具有挑战性。本文提出一种新颖的深度学习方法，将 HRNet 与可分离卷积层相集成以捕捉数据的空间模式，并利用自注意力机制捕捉时间模式。HRNet 模型作为骨干网络，从作物影像中提取高分辨率特征。HRNet 模型浅层中的空间可分离卷积能更有效地捕捉复杂作物模式，同时降低计算成本。多头注意力机制从图像的编码向量表示中捕捉长期时间依赖关系。最后，一个 CNN 解码器从聚合表示生成作物分布图。在此之上使用 Adaboost 以进一步提高精度。所提算法在生成作物分布图时达到了 97.5% 的高分类准确率和 55.2% 的 IoU。我们在 Zuericrop 数据集上评估了该流程的性能，并证明我们的结果优于 SOTA 模型，如 U-Net++、ResNet50、VGG19、InceptionV3、DenseNet 和 EfficientNet。本研究展示了深度学习在地球观测系统中的潜力。
引用
@article{arxiv.2307.05700,
title = {SepHRNet: Generating High-Resolution Crop Maps from Remote Sensing imagery using HRNet with Separable Convolution},
author = {Priyanka Goyal and Sohan Patnaik and Adway Mitra and Manjira Sinha},
journal= {arXiv preprint arXiv:2307.05700},
year = {2023}
}