基于高光谱小样本数据的密林树种识别的多任务全卷积架构

bigegpt 2025-05-08 16:53 11 浏览

与传统实地勘察相比，利用遥感绘制树种图已成为一种更低价、更快、更实用的森林面积清查方法。本文提出了一种多任务全卷积架构(基于无人机高光谱数据从稀疏的树木个体分割(ITC)样本集训练FCN的新方法),可用于热带地区等茂密森林冠层中的树种分类。

研究者首先描述了一种偏损失函数来训练多任务的模型，该模型使用一个辅助任务来进行distance map回归，从而提高语义分割的性能。

本文以亚热带森林为研究对象，采用两种基于无人机高光谱数据的FCN方法进行树种分类。

第一种方法：单任务模型(STFCsp)，其性能优于RF和SVM基线方法(无需依赖人工设计特征)，总体准确率(OA)为77.29%。

第二种方法：多任务模型(MTFCsp)中包含了一个互补任务，该任务准确率显著提高(OA为85.91%)。

结果表明：与单任务相比，引入互补任务可以提高11%的语义分割性能，达到了平均UA准确率88.63%和平均PA准确率88.59%，实现了热带森林树种分类的最优性能。

与此同时，研究人员证明了距离映射变换作为正则化器可提高语义分割泛化能力。此外，还讨论了距离图预测该如何帮助ITC检测、描绘和树种分类，最终有助于监测森林生物多样性和濒危树种(如南洋槐树和雪松)，或检测入侵物种。

最后，研究者指出关于综合模型的下一步研究(由于网络架构设计可能需要根据不同的森林类型进行调整)，将在其它不同的领域测试该方法将获得更具决定性和通用性的结果。

Distance map resulted from the regression branch of the proposed MTFCsp method and representative enlarged area with the overlaid contour of 8 test ITC samples.

本文提出了一种从稀疏的ITC样本集训练FCN的新方法，可用于热带地区等茂密森林冠层中的树种分类。还提出了一种偏损失函数来训练多任务的模型，该模型使用距离图回归的辅助任务来提高语义分割性能。结果表明，与单任务相比，包含互补任务的语义分割性能将UA准确率提高了11%以上，PA准确率提高了7%以上。

公众号：农业之巅

更多信息请关注智农云芯（AgriBrain)：www.agribrain.cn

来源
:https://doi.org/10.1016/j.isprsjprs.2021.07.001

deeplabv3+

基于高光谱小样本数据的密林树种识别的多任务全卷积架构

相关推荐

idea本地配置连接远程hadoop集群的一些网络问题解决汇总

无缓存不行?例行升级的入门级阿斯加特AN2 SSD装机点评

Ceph运维手册(基于P版本)

Docker 命令大全（docker命令大全记录表）

替代Docker build的Buildah简单介绍

Docker Desktop安装使用指南:零基础教程

大数据开发前要做什么准备?8台Hadoop服务器进行集群规划前配置

Tensorflow分类loss函数总结 tensorflow绘制loss曲线

R语言学习笔记(七) -离散型数据的模型预测2

iOS Runtime详解