[论文解读] Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery

Issam Laradji, Pau Rodríguez+5 more|arXiv (Cornell University)|Nov 14, 2020

Video Surveillance and Tracking Methods参考文献 32被引用 18

一句话总结

本文提出一种深度学习方法，用于在亚马逊地区的高分辨率卫星影像（0.31 m）中检测并统计牛群数量，采用CSRNet和LCFCN模型实现对非法牧场活动的大规模监测。结果显示，CSRNet在密集区域的表现优于LCFCN，实现了较低的MAPE和GAMPE，证明了利用商业卫星数据实现自动化、可扩展的非法土地利用追踪的可行性。

ABSTRACT

Cattle farming is responsible for 8.8\% of greenhouse gas emissions worldwide. In addition to the methane emitted due to their digestive process, the growing need for grazing areas is an important driver of deforestation. While some regulations are in place for preserving the Amazon against deforestation, these are being flouted in various ways, hence the need to scale and automate the monitoring of cattle ranching activities. Through a partnership with extit{Global Witness}, we explore the feasibility of tracking and counting cattle at the continental scale from satellite imagery. With a license from Maxar Technologies, we obtained satellite imagery of the Amazon at 40cm resolution, and compiled a dataset of 903 images containing a total of 28498 cattle. Our experiments show promising results and highlight important directions for the next steps on both counting algorithms and the data collection process for solving such challenges. The code is available at \url{https://github.com/IssamLaradji/cownter_strike}.

研究动机与目标

• 开发一种自动化、可扩展的方法，用于在高分辨率卫星影像中检测并统计牛群数量，以监测亚马逊地区的非法牧场活动。
• 评估深度学习模型（特别是CSRNet与LCFCN）在大陆尺度下对牛群计数与定位的性能。
• 评估使用商业亚米级卫星影像（0.31 m分辨率）进行大规模环境监测的可行性。
• 识别现有方法的局限性，并通过多时相影像与更优的标注策略提出改进方案。

提出的方法

• 利用Maxar的WorldView3卫星获取的903幅高分辨率卫星影像（0.31 m全色，1.24 m多光谱）进行任务驱动调度。
• 构建包含28,498头牛的标注数据集，采用点级标注用于训练与评估。
• 使用在ImageNet上预训练的VGG16-FCN8主干网络，训练CSRNet（基于密度）与LCFCN（基于检测）模型。
• 在LCFCN中采用基于检测的损失函数，鼓励每个目标输出单一聚集体，从而提升定位精度与对尺度变化的鲁棒性。
• 采用MAPE与GAMPE作为评估指标，其中GAMPE通过将图像划分为网格来惩罚虚假相关性。
• 采用早停策略与ADAM优化器，初始固定学习率为10⁻⁴，训练共100个周期。

实验结果

研究问题

• RQ1 高分辨率卫星影像（0.31 m）是否能够在大陆尺度上实现对牛群的准确检测与计数？
• RQ2 在不同牛群密度下，基于密度的（CSRNet）与基于检测的（LCFCN）深度学习模型在牛群计数性能上如何比较？
• RQ3 在遥感应用中，ImageNet预训练在牛群计数任务中对模型泛化能力的提升程度如何？
• RQ4 多时相卫星重访是否能提高对牛群与外观相似的静态物体（如岩石、灌木）的区分能力？

主要发现

• CSRNet在计数与定位方面均优于LCFCN，尤其在密集区域（每幅图像超过100头牛），其MAPE与GAMPE更低。
• 在无牛图像中（0头牛），LCFCN表现优于CSRNet，F-score达到0.676，而CSRNet为0.571。
• 在ImageNet上预训练的LCFCN优于未预训练版本，表明迁移学习具有显著优势。
• 结合使用CSRNet与LCFCN具有潜力，其中CSRNet在密集计数中表现优异，LCFCN在二值存在/缺失检测中更优。
• 多时相影像对提升标注质量及区分牛群与误报（如岩石、灌木）至关重要。
• 本研究证实，商业0.31 m分辨率卫星传感器具备可靠的牛群计数能力，可支持大规模环境监测。