基于UNet-ResNet14^(*)半监督学习的无人机影像森林树种分类
Classification of tree species based on UNet-ResNet14^(*)semi-supervised learning using UAV images作者机构:福州大学空间数据挖掘与信息共享教育部重点实验室福州350108 福建省大田桃源国有林场三明366199 福建省漳平五一国有林场龙岩364400 福建省林业调查规划院福州350003
出 版 物:《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)
年 卷 期:2024年第40卷第1期
页 面:217-226页
核心收录:
学科分类:083002[工学-环境工程] 0830[工学-环境科学与工程(可授工学、理学、农学学位)] 08[工学] 09[农学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程]
基 金:福建省科技厅高校产学合作项目(2022N5008) 福建省科技厅对外合作项目(2022I0007)
主 题:无人机 遥感 森林 树种分类 可见光 UNet ResNet 半监督学习
摘 要:无人机遥感在森林树种精细和高效分类制图中具有巨大的潜力。为了快速准确获取森林的优势树种分布信息,该研究探讨了半监督学习方法在树种分类方面的有效性。以福建省福州市、龙岩市和三明市的4个试验区为例,构建精简的ResNet18为主干的UNet树种分类模型(UNet-ResNet14^(*)),使用交叉熵和Dice系数的联合损失函数来优化模型参数,对比分析Self-training和Mean Teacher两种不同的半监督学习方法在无人机影像森林树种分类模型的泛化能力。结果表明,以ResNet14^(*)作为主干的分类模型与其他模型相比精度更高且预测速度更快,当联合损失函数权重值为0.5的情况下模型预测效果最好,总体精度达到了91.15%。经过Self-training的模型在木荷、马尾松、杉木3个样本充足的类别中精度均有所提升,总精度为91.08%,比原始模型略低,但在独立验证区的精度为88.50%,比原始模型高;Mean Teacher方法的总精度为88.56%,在独立验证区的精度为73.56%。因此,研究认为可以采用Self-trainin半监督方法结合UNet-ResNet14^(*)的方案快速得到试验区的树种组成信息。