基于超像素与图卷积神经网络的航空影像养分缺乏胁迫高效检测
计算机视觉与模式识别
2022-11-17 v3 机器学习
摘要
遥感技术的进步导致了海量数据的获取。更高的图像分辨率、更频繁的重访时间以及额外的光谱通道，使得可用于跨领域（包括农业）提供分析与情报的数据量激增。然而，该数据的处理在计算时间和金钱上均有代价，当算法目标为提供实时情报以提升效率时，二者都必须被考虑。具体而言，我们力求从遥感数据识别养分缺乏区域，以提醒农民注意需关注的地块；养分缺乏区域检测是精准农业中的关键任务，因为农民必须快速响应受损区域以保护收成。过去方法聚焦于田块的像素级分类（即语义分割）来完成这些任务，常使用具有数千万参数的深度学习模型。相反，我们提出一种轻得多的基于图的方法来进行基于节点的分类。我们首先使用简单线性迭代聚类（SLIC）生成田块上的超像素。然后，为在非欧几里得域的超像素上分割，我们利用图卷积神经网络（GCN）。该模型参数比 CNN 模型少 4 个数量级，并在几分钟内完成训练。
引用
@article{arxiv.2104.10249,
title = {Superpixels and Graph Convolutional Neural Networks for Efficient Detection of Nutrient Deficiency Stress from Aerial Imagery},
author = {Saba Dadsetan and David Pichler and David Wilson and Naira Hovakimyan and Jennifer Hobbs},
journal= {arXiv preprint arXiv:2104.10249},
year = {2022}
}