非洲农田制图的弱标注方法
计算机视觉与模式识别
2024-01-17 v1 人工智能
摘要
农田制图在应对环境、农业和粮食安全挑战方面可发挥关键作用。然而，在非洲背景下，实际应用常因高分辨率农田图的有限可用性而受阻。此类地图通常需要大量人工标注，从而造成可扩展性瓶颈。为解决此问题，我们提出一种利用无监督对象聚类来精化现有弱标注（例如从全球农田图获取的标注）的方法。精化后的标注与稀疏的人工标注一起，作为语义分割网络的训练数据，用于识别农田区域。我们通过实验证明了所提方法生成的改进弱标注的益处。在仅使用33个人工标注标签训练模型的场景下，当加入挖掘出的负标签后，农田类别的F_1分数从0.53提升至0.84。
引用
@article{arxiv.2401.07014,
title = {Weak Labeling for Cropland Mapping in Africa},
author = {Gilles Quentin Hacheme and Akram Zaytar and Girmaw Abebe Tadesse and Caleb Robinson and Rahul Dodhia and Juan M. Lavista Ferres and Stephen Wood},
journal= {arXiv preprint arXiv:2401.07014},
year = {2024}
}
备注
5 pages