-
题名基于特征融合的复杂场景树种跨域泛化分类模型
- 1
-
-
作者
陈广胜
温林郅
张文均
李超
于鸣
景维鹏
-
机构
东北林业大学
-
出处
《林业科学》
北大核心
2025年第4期33-45,共13页
-
基金
国家自然科学基金面上项目(32271865)。
-
文摘
【目的】针对不同区域因气候、土壤等生态因子差异导致的域偏移问题,提出一种基于全局-局部特征融合的单域泛化方法,提升复杂森林场景下无标签树种识别的泛化性能,为跨域树种分类研究提供理论依据和实践支持。【方法】选取德国巴登-符腾堡州南部和中国黄山市祁门县西部为源域,德国图林根州中部和中国黄山市祁门县东部为目标域,构建一种全局-局部特征融合网络(HUFNet)模型进行树种分类,HUFNet模型包含基于CNN的编码器层、基于Transformer的解码器层、全局-局部特征融合机制(GLAFE)、特征精炼头(FRH)和边界优化模块(ERV)。模型经源域数据集训练后,在目标域上测试验证其泛化能力,实现复杂场景跨域树种分类。【结果】通过多个源域和目标域数据集的对比验证,HUFNet模型在目标域HainichUAV数据集上对针叶和阔叶树种的分类总体准确率(OA)为75.1%,平均交并比(mIoU)为58.3%,相比基于自注意力机制的分类架构分别提升13.7%与11.7%。在目标域HuangshanEast数据集上,HUFNet模型的OA为71.7%,mIoU为56.8%,相比ViT-R50作为编码器的混合架构,OA提升1.2%。【结论】HUFNet模型的跨域树种分类性能明显提升,不仅保持了高精度的识别能力,而且在目标域上展现出强大的跨域泛化能力,同时大幅降低了模型的时间复杂度和空间复杂度,适用于资源受限的环境。该模型基于全局-局部特征融合的单域泛化方法,为跨域树种分类提供了新的研究思路。
-
关键词
遥感影像
树种分类
单域泛化
语义分割
轻量化模型
-
Keywords
remote sensing imagery
tree species classification
single-domain generalization
semantic segmentation
lightweight model
-
分类号
S757
[农业科学—森林经理学]
-
-
题名基于熵权与集成学习的半监督小样本树种分类研究
- 2
-
-
作者
王静
李静
-
机构
河南机电职业学院信息工程学院
河南科技大学信息工程学院
-
出处
《森林工程》
北大核心
2025年第1期151-161,共11页
-
基金
国家自然科学基金项目(62071171)
黄炎培职业教育思想研究规划课题(ZJS2022Zd33)
+1 种基金
中西部地区本科层次职业教育理论与实践研究(22GDZY0229)
面向复杂场景的小目标检测与识别关键技术研究(242102210071)。
-
文摘
针对传统半监督自训练分类方法易导致数据集混乱,影响后续小样本树种分类精度这一问题,基于熵权法(en-tropy weight,EW)与集成学习(ensemble learning,EL)提出EW-EL的半监督小样本树种分类方法。EW-EL在传统半监督自训练分类方法的理论上引入EL的思想,以熵权法作为基础理论设计按基分类器当前训练周期下的F1分数计算的信息熵作为计算权重因子,再依信息熵越大基分类器越不稳定思想设计权重,使集成分类器分类概率更集中,减少集成分类器偏向性。结果显示,EW-EL较传统半监督自训练方法能更有效地均衡数据分布,使新加入数据的伪标签样本类别更准确。EW-EL所得到的小样本树种分类总精度(OA)为0.97、召回率(Recall)为0.96及Kappa系数为0.97,3种指标均优于监督分类、传统半监督自训练方法及利用传统EL机制所构建的半监督自训练方法。其中,EW-EL方法较融合软投票机制的半监督自训练方法,OA与Recall均提升了1%。EW-EL联合简单线性迭代聚类所制成的树种图在所选测试区内达到了94%。此外,进一步分析证明,EW-EL能通过集成诸多分类器,来实现更佳的小样本树种分类结果,更适用于低成本下的相关部门进行林业资源统计的工作。
-
关键词
无人机影像
熵权法
深度学习
集成学习
半监督小样本分类
树种分类
树种制图
EW-EL
-
Keywords
Drone imagery
entropy weight method
deep learning
ensemble learning
semi-supervised small-sample classification
tree species classification
tree species mapping
EW-EL
-
分类号
TP753
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于无人机影像的树种分割实践
被引量：2
- 3
-
-
作者
蒲涛
王妮
龚育红
王安
-
机构
安徽理工大学空间信息与测绘工程学院
安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室
安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心
滁州学院地理信息与旅游学院
安徽大学资源与环境工程学院
-
出处
《林业资源管理》
北大核心
2023年第1期115-126,共12页
-
基金
高校优秀青年人才支持计划一般项目(gxyq2021217)
安徽省高校自然科学项目重点项目(KJ2021A1075)
安徽理工大学研究生创新基金(2022CX2163)。
-
文摘
郁闭度超过60%的林地具有树种种类复杂、种内特征差距小及种间位置间距小等特点。虽然传统卷积神经网络(CNN)较其他分类方法具有精度高与自动化水平高等优势,但其存在学习效率低、识别精度提升困难及可解释性差等缺点。此外,传统规则分割绘制树种图的方法忽视了树种及遥感地物边界特征的变化,易在高郁闭度的林区产生椒盐现象。为解决上述问题,提出基于类激活映射及自注意力模型(ST)的新的树种分类方法(G-ST),它集成了迁移学习、ST分类模型与梯度下降的类激活映射,通过综合长距离特征、数据增强、其余领域的特征知识及预测训练关注度,提升G-ST分类精度、模型泛化能力及可解释性,结合简单线性迭代聚类方法生成树种专题地图。结果表明,该方法得到的树种图精度较传统CNN结合规则分割的制图方法更高,林木及遥感地物边界更趋近于矢量化结果,能有效为树种影像分割、制图及分布统计工作提供参考。
-
关键词
G-ST
自注意力模型
数据增强
卷积神经网络
迁移学习
树种影像分割与制图
-
Keywords
G-ST
ST
data augmentation
CNN
transfer learning
tree species imagery segmentation and mapping
-
分类号
TP753
[自动化与计算机技术—检测技术与自动化装置]
-
