AAAIMar, 2024

卫星图像中农田边界分割的多区域迁移学习与有限标签

PDF
TL;DR通过多区域迁移学习适应目标区域的模型权重，提出了一种用于卫星图像中农田边界分割的方法，在缺乏标记数据的地区，我们的方法优于现有方法，并且多区域迁移学习显著提升了多个模型架构的性能。
field boundary delineationremotely sensed imagesinstance segmentationmulti-region transfer learningcrop field boundaries
发现论文，激发创造
  • 边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

    本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

    Oct, 2019

  • 进一步推进：利用伪标签在标签稀缺的小农地区进行领域划分

    使用稀缺土地勾画伪标签进行精调模型在大范围应用中具有很好的性能，并且在缺乏标注数据的情况下，伪标签的使用可以显著提高模型的性能，尤其是在 Sub-Saharan Africa 等标注数据匮乏的地区。

    Dec, 2023

  • 运用迁移学习实现全球农作物地图

    本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

    Nov, 2022

  • 探究无需训练标签的端到端农田边界映射模型对小农户边界的应用

    利用 2 米分辨率的 SkySat 卫星图像，本研究探讨了使用 Segment Anything Model（SAM）在印度比哈尔邦无需额外训练的情况下勾勒农田边界。结果表明，SAM 正确识别了约 58% 的田地边界，与需要大量训练数据的其他方法相当。本研究建立了 SAM 的概念验证，并发现在农业田界勾画中，通过使用多日期的卫星图像可显著提高准确性，突出 SAM 在数据稀缺环境中勾勒农田边界的潜力。

    Jul, 2024

  • 基于深度神经网络的建筑轮廓分割多任务学习

    本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

    Sep, 2017

  • 高产作物田地检测：新数据集与深度学习基准测试结果

    通过使用机器操作结合时间跟踪的 Sentinel-2 图像生成高质量的数据集，并应用半监督分类、监督和自监督深度学习方法自动检测生产性农田，以解决传统手动识别的耗时和错误。结果表明在高置信正样本学习中的高准确性，并在没有完整标注数据集情况下使用对比学习等方法获得最佳性能。

    May, 2023

  • 迁移学习在少样本水果分割中的应用

    我们提出了一种为农田水果开发的少样本语义分割框架，采用迁移学习策略，在没有公开标记数据的情况下实现了水果在农田中的准确语义分割。

    May, 2024

  • 利用图像级别的类别标签学习检测语义边界

    本文介绍了第一次尝试使用图像级别的类别标签作为监督来学习语义边界检测的方法，并且提出了一种基于多实例学习的任务形式，在区别不同类别的领域之间通过互相连线代表边界。我们提出的神经网络模型可以可靠地学习估计语义边界，即使是在多实例学习策略的不确定监督下，将其用于生成训练图像的伪语义边界标签，并使用这些标签来训练完全监督模型。最终模型在 SBD 数据集上取得了出色的表现，与一些使用更强监督的模型相当竞争。

    Dec, 2022

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 2023

  • 半自监督域适应：利用有限标注数据开发小麦穗分割的深度学习模型

    利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。

    May, 2024