[最新发表] 一种具有跨域迁移能力的耕地地块（IAF）提取的深度学习算法模型

+ 查看更多

【研究背景】
       从遥感图像中监测空间上的农田有助于在大空间范围内管理农业资源。过去几十年来开发了各种基于遥感的方法，以获得耕地地块（IAF）的信息，特别是在高空间分辨率数据日益普及的时代。对于覆盖小面积的图像，基于人工解释是一种实用的方法。然而，一旦感兴趣的区域达到区域或国家规模，这种方法将是劳动密集型的，不可行的。相反，从遥感图像中自动提取IAF有望在实际应用中实现。基于深度学习的方法在从高分辨率图像中准确提取耕地显示出巨大的潜力；然而，它在准确的边界定位和收集足够的训练样本方面仍然存在挑战。
  图 1  不同区域的地表耕地差异巨大，将其中的安徽 (FN) 区域的数据作为源域，其他三个区域作为目标域进行模型精度及时空迁移能力的测试

【方法介绍】
        这项工作提出了一种新型的深度学习网络（FieldSeg-DA），用于从中国高分辨率卫星图像（高分二号）中精确提取IAF。如图2所示，FieldSeg-DA首先采用一个由两个分支网络（UNet和DeepNetV3+）组成的并行网络（EBPN），分别独立提取IAF的边界和范围（图3）；然后，提出了一个后处理模块，即连接边界和填充场（CB-FF），以整合提取的边界和范围，保证每个提取的IAF的完整性。EBPN和CB-FF有助于同时提高IAF提取的边界和范围精度。此外，为了减少在不同地区对大量训练样本的需求，在训练阶段引入了细粒度域适应（FADA），将从源域训练的网络转移到目标区域，而不需要任何标注的样本。
 

【实验结果】
       FieldSeg-DA在四个子集农区获得的Gaofen-2图像上实施，并与IAFRes（用于IAF提取的最先进的网络）进行了比较。结果显示，FieldSeg-DA在源域和目标域的表现都优于IAFRes，F1分数分别提高了0.016和0.069。 因此，所提出的FieldSeg-DA有可能在没有训练样本的情况下准确提取不同农田的IAF。
   图 4  模型在无标签样本增加的情况下，模型的地块分割表现 

【主要结论】
     这项工作提出了一个新颖的FieldSeg-DA网络，用于从高空间分辨率的卫星图像中自动提取IAF。本文将这一问题作为语义分割和领域转移的任务。提出了EBPN并行网络结构和CB-FF后处理模块，通过结合不同的分支网络在识别遥感图像中的 "面 "和 "线 "物体时的不同偏好，更好地预测IAF范围和边界。此外，引入了FADA，以提高在没有任何标记样本的不同研究地区的领域转移能力。在四个子集农业区的实验表明，所提出的FieldSeg-DA模型在源域和目标域都优于传统的IAFRes，表明FieldSeg-DA在没有训练样本的情况下在不同地区提取IAF的有效性。


这项研究该论文已发表于Computers and Electronics in Agriculture上。
Reference: Shuaijun Liu, Licong Liu, Fei Xu, Jin Chen, Yuhen Yuan, Xuehong Chen, A deep learning method for individual arable field (IAF) extraction with cross-domain adversarial capability, Computers and Electronics in Agriculture, Volume 203,2022,107473, ISSN 0168-1699. 
https://doi.org/10.1016/j.compag.2022.107473
URL:https://www.sciencedirect.com/science/article/pii/S0168169922007815?dgcid=coauthor