基于纹理的原型网络用于森林覆盖少样本语义分割：面向不同地理区域的泛化
计算机视觉与模式识别
2022-08-03 v2
摘要
除维持全球生物多样性外，森林在减少温室气体排放与缓解气候变化方面发挥着至关重要的作用。现有基于卫星的森林监测系统利用监督学习方法，其局限于特定区域且依赖人工标注数据来识别森林。本工作将森林识别视为少样本语义分割任务，以实现跨不同地理区域的泛化。所提少样本分割方法在原型网络中引入纹理注意力模块，以突出森林的纹理特征。事实上，森林呈现出不同于道路、水体等其他类别的特征性纹理。本工作中，所提方法针对南亚热带森林进行训练，并借助温带森林的少量（1-shot 为一张图像）人工标注支持图像，适配于确定中欧温带森林。使用所提方法获得森林类别（1-way 1-shot）的 IoU 为 0.62，显著高于现有少样本语义分割方法（PANet 为 0.46）。该结果表明所提方法可跨地理区域泛化用于森林识别，为开发全球森林覆盖识别工具创造了契机。
引用
@article{arxiv.2203.15687,
title = {Texture based Prototypical Network for Few-Shot Semantic Segmentation of Forest Cover: Generalizing for Different Geographical Regions},
author = {Gokul P and Ujjwal Verma},
journal= {arXiv preprint arXiv:2203.15687},
year = {2022}
}
备注
5 pages, 2 figures, includes additional experiments