23601

طبقه‌بندي پوشش كشاورزي سطح زمين با استفاده از تصاوير ماهواره‌اي

كارشناسي ارشد

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

99

20/12/1399

محسن سرياني

محمدرضا محمدي

كامپيوتر

نقشه‌هاي به‌روز از زمين‌هاي كشاورزي در حل مشكلاتي مانند كنترل منابع آبي و غذايي، خشك‌سالي، و شيوع برخي از بيماري‌ها مانند آنفلوآنزاي مرغي اهميت به‌سزايي دارند. يكي از موانع اصلي در طبقه‌بندي زمين‌هاي كشاورزي با استفاده از تصاوير ماهواره‌اي، كمبود داده زميني يا همان برچسب كافي براي آموزش مدل است. تصاوير بدون برچسب فراوان هستند، اما نحوه بهره‌برداري از آن‌ها يك مسئله باز است. ما در اين كار نشان خواهيم داد كه چگونه با استفاده از يادگيري خود‌هدايت‌شده مي‌توان از پتانسيل اين تصاوير برچسب نخورده در بهبود طبقه‌بندي زمين‌هاي كشاورزي استفاده كرد. اين روش در حد چشم‌گيري مد‌ل‌ها را براي مناطقي كه تنها تعداد محدودي نمونه برچسب‌خورده دارند تقويت مي‌كند. مدل حاصل در برابر نويز مقاوم مي‌شود، و دقت بسيار بالاتري را در بازه گسترده‌اي از آزمايش‌ها نشان مي‌دهد. اين بهبود بسته به شرايط آزمايش‌ها از حدود 2٪ تا بيش از 60٪ است. همچنين، نشان خواهيم داد كه يادگيري خود‌هدايت‌شده به ما اجازه مي‌دهد تا روش موثري را براي انطباق حوزه پياده‌سازي كنيم. به‌كمك آن مي‌توان از داده برچسب‌خورده در مناطق ديگر زمين براي طبقه‌بندي يك منطقه بدون برچسب بهره برد. اين روش دقت مدل را براي يك منطقه بدون برچسب حدود 24٪ بهبود بخشيد. اين كار سبب مي‌شود تا ما اتكا كمتري به آمارگيري‌هاي دستي داشته باشيم، و در نتيجه هزينه‌ها را در حد قابل توجهي كاهش دهيم. روش‌هاي ساده از يادگيري انتقالي معمولاً براي اين مسئله مناسب نيست، مگر آن‌كه حوزه هدف از نظر مسائلي مانند آب‌و‌هوا و خواص خاك شباهت زيادي به حوزه مبدأ داشته باشد. با اين حال، ما با انتقال دانش توسط يك مدل از پيش آموزش ديده حدود 1٪ بهبود كسب كرديم. علاوه بر آن، ما با اجراي يك تحليل جامع و دقيق از تفاوت بين دو حوزه كه از معيار‌هاي واگرايي كول‌بك و اطلاعات مشترك استفاده مي‌كند، نقش ويژگي‌هاي ورودي متفاوت مانند شاخص‌هاي سبزينگي را در توانايي شبكه عصبي براي يادگيري ويژگي‌هاي مستقل از حوزه بررسي كرديم. اين روش تحليل براي ارزيابي مستقل از حوزه بودن مدل‌هايي كه براي يادگيري انتقالي پيشنهاد مي‌شوند مفيد است. مهم‌تر از آن، با استفاده از اين روش مي‌توان مناطق مشابه را به‌صورت سيستماتيك پيدا كرد تا يادگيري انتقالي مفيدتر عمل كند.

1400/03/02

Cropland Classification by Using Satellite Images

1/1/1900 12:00:00 AM

Up-to-date maps of agricultural lands are valuable sources of information in analyzing problems such as water and food management, drought, and outbreaks of some diseases like avian influenza. One of the main challenges for cropland classification by satellite time-series images is the lack of sufficient ground truth data. Unlabeled satellite images are abundant, but how to benefit from them is an open question. We will show how to leverage the potential of unlabeled images for cropland classification by using self-supervision. This method significantly reinforces the models for areas with only a limited number of labeled samples. The resulting model is robust to noise and uncertainty while showing superior accuracy in a range of settings. The improvement is from about 2% to more than 60%, depending on the experiment's conditions. Subsequently, we will show that self-supervised learning allows us to implement effective methods for unsupervised domain adaptation. With it, We can leverage the labeled data in other regions of the earth to classify unlabeled areas. This method improved the accuracy for an unlabeled target domain by about 24%. It allows us to rely less on manual surveys and thus significantly reduce the costs. We gained about 1% accuracy by transferring knowledge through a pre-trained model on a labeled source domain. Simple transfer learning methods are not suitable for this problem unless the target domain is similar to the source domain in terms of the factors such as climate and soil properties. Hence, we performed a comprehensive and accurate analysis of the discrepancies between the two areas using KL-Divergence criteria and Mutual Information, examining the role of different input features such as vegetation indices to learn domain-independent features. This method of analysis is useful to evaluate the domain-invariance property of the models in transfer learning. More importantly, We can use this simple method to systematically find similar regions to perform the transfer learning more effectively for cropland classification.

طبقه‌بندي زمين‌هاي كشاورزي , يادگيري عميق , يادگيري خود‌هدايت‌شده , انطباق حوزه , يادگيري با داده اندك

cropland classification , deep learning , self-supervised learning , domain adaptation , few-shot learning