您当前所在位置: 首页 > 科研 > 科研动态 > 正文

油棕作为一种重要的热带产油作物,具有很高的经济效益和生态研究价值。对油棕的准确识别有利于更好地油棕种植园管理,从而促进棕榈油产量的提高。基于遥感影像和深度学习模型,目前已有很多研究工作实现了高准确率的油棕识别。但是已有的工作主要聚焦于单一的、有限的研究区域。当使用不同传感器、不同时间、不同区域的复杂区域影像时,如果直接运用传统模型做预测,会因为遥感影像之间存在的明显差异,导致油棕检测结果精度出现大幅度的下降(如图1)。这时如果想要保持识别准确率,需要将新的影像样本加入到识别训练中,然而这将需要更多的人工标记成本。

图1. 影像A和影像B对于四种不同类别的光谱差异示例图

近日,清华大学地学系付昊桓教授研究组在遥感领域高影响期刊《ISPRS-摄影测量与遥感》(ISPRS Journal of Photogrammetry and Remote Sensing)上发表题为“基于多层次注意力机制的跨区域油棕检测方法”(Cross-regional oil palm tree counting and detection via a multi-level attention domain adaptation network)的研究论文。研究组设计了一种新的领域自适应模型,在不针对新研究区域增加标注成本的前提下,面向全新的遥感影像数据和研究区域,将油棕识别的准确率提高了15%。这种方法为大尺度、跨区域、低成本的油棕识别提供了参考。

为了进一步将油棕识别应用于更大规模区域,付昊桓研究组提出了一种新的领域自适应模型(Multi-level Attention Domain Adaptation Network, MADAN)。该方法不需要重新标注目标域的样本,只需要源域的样本和目标域的影像信息即可。MADAN 采用了基于对抗学习的多层次注意力机制,有效地度量了不同影像以及同一影像不同区域的迁移能力,同时极大改善了目标域中容易混淆的样本预测的置信度。研究组成员以马来西亚三个不同区域及其遥感影像为例(如图2),发现MADAN与现有最新的方法相比,精度上实现了3.55~14.49%的显著提升。

图2. 三个不同的研究区域。区域A(左)为QuickBird影像,区域B(中)和C(右)为Google Earth影像。

清华大学地学系博士生郑珏鹏为论文第一作者,地学系博士毕业生、香港中文大学博士后研究员李唯嘉为通讯作者。地学系付昊桓教授和俞乐副教授共同指导了该研究工作。本工作得到了国家重点研发计划(No. 2017YFA0604500,2017YFB0202204和No.2017YFA0604401),国家自然科学基金(No.51761135015和U1839206)以及青岛海洋科学与技术试点国家实验室的支持。

论文链接:https://doi.org/10.1016/j.isprsjprs.2020.07.002

撰稿:郑珏鹏

审核:武海平

图文排版:付美娟

上一篇:地学系刘竹研究组揭示香港和澳门地区碳足迹远超境内直接碳排放

下一篇:清华大学地学系刘竹研究组揭示空气污染对能源需求及供给的影响