Treepedia 2.0：应用深度学习大规模量化城市树冠覆盖
计算机视觉与模式识别
2019-10-17 v1
摘要
深度学习的近期进展使得利用街景图像以精细分辨率、大范围量化城市指标成为可能。在此，我们聚焦于使用 Google 街景（GSV）图像测量城市树冠覆盖。首先，我们提供一个小尺度标注验证数据集，并提出标准指标来比较基于 GSV 的街道树木覆盖自动估计性能。我们应用最先进的深度学习模型，并将其性能与先前建立的无监督方法基准进行比较。我们针对深度学习的训练流程是新颖的：我们利用大量开放可用且标注相似的街景图像数据集来预训练模型，随后在一个由 GSV 图像组成的小训练集上执行额外训练。我们发现深度学习模型显著优于无监督基准方法。我们的语义分割模型将平均交并比（IoU）从 44.10% 提升至 60.42%（相对于无监督方法），且我们的端到端模型将平均绝对误差从 10.04% 降至 4.67%。我们还采用一种称为梯度加权类激活映射（Grad-CAM）的近期方法来解释端到端模型学到的特征。该技术确认端到端模型已准确学会将树冠区域识别为预测树木覆盖百分比的关键特征。我们的论文提供了将先进深度学习技术应用于大规模、带地理标签的图像数据集以高效估计重要城市指标的示例。结果表明，深度学习模型高度准确、可解释，并且在数据标注工作与计算资源方面也很高效。
引用
@article{arxiv.1808.04754,
title = {Treepedia 2.0: Applying Deep Learning for Large-scale Quantification of Urban Tree Cover},
author = {Bill Yang Cai and Xiaojiang Li and Ian Seiferling and Carlo Ratti},
journal= {arXiv preprint arXiv:1808.04754},
year = {2019}
}
备注
Accepted and will appear in IEEE BigData Congress 2018 Conference Proceedings