[论文解读] Identifying Land Patterns from Satellite Imagery in Amazon Rainforest using Deep Learning

Somnath Rakshit, Soumyadeep Debnath+1 more|arXiv (Cornell University)|Sep 2, 2018

Remote Sensing and LiDAR Applications参考文献 11被引用 8

一句话总结

本文提出了一种使用微调后的VGG16进行深度学习的方法，以自动分类亚马逊雨林卫星图像中的地表覆盖模式。通过将图像调整为128×128像素并基于40,479张图像的数据集进行训练，该模型在测试中达到了96.71%的准确率和92.69%的F-beta得分，实现了对森林砍伐和土地利用变化的高效监测。

ABSTRACT

The Amazon rainforests have been suffering widespread damage, both via natural and artificial means. Every minute, it is estimated that the world loses forest cover the size of 48 football fields. Deforestation in the Amazon rainforest has led to drastically reduced biodiversity, loss of habitat, climate change, and other biological losses. In this respect, it has become essential to track how the nature of these forests change over time. Image classification using deep learning can help speed up this process by removing the manual task of classifying each image. Here, it is shown how convolutional neural networks can be used to track changes in land patterns in the Amazon rainforests. In this work, a testing accuracy of 96.71% was obtained. This can help governments and other agencies to track changes in land patterns more effectively and accurately.

研究动机与目标

• 开发一种自动分类亚马逊雨林卫星图像地表覆盖模式的方法，以减少对手动标注的依赖。
• 解决大规模卫星图像数据集人工分析所涉及的高计算成本和人力成本问题。
• 通过深度学习提高对亚马逊地区森林砍伐和土地利用变化追踪的准确性和速度。
• 展示在亚马逊卫星图像自定义数据集上使用VGG16进行迁移学习的有效性。

提出的方法

• 通过移除原始VGG16模型的最后分类层，并替换为针对17种地表覆盖类别的自定义全连接层，对预训练的VGG16模型进行微调。
• 将所有卫星图像统一调整为128×128像素的分辨率，以标准化输入并提高训练效率。
• 在输入层应用批量归一化，并在最终的Softmax分类器之前使用全局平均池化层，以提升特征学习能力。
• 使用Adam优化器以1e-4的学习率和128的批量大小，在15个周期内进行模型训练。
• 采用二元交叉熵损失函数进行多标签分类，因为每张图像可能属于多个地表覆盖类别。
• 进行数据增强，并使用20%的训练数据作为验证集，以防止过拟合并提升泛化能力。

实验结果

研究问题

• RQ1 微调后的VGG16模型是否能在亚马逊雨林卫星图像中实现对多标签地表覆盖模式的高精度分类？
• RQ2 在128×128像素的亚马逊卫星图像自定义数据集上，使用VGG16进行迁移学习的效果如何？
• RQ3 图像重采样和预处理在非标准输入尺寸上在多大程度上提升了模型性能？
• RQ4 深度学习模型是否能显著减少大规模热带森林环境监测中对手动标注的需求？
• RQ5 在多标签分类设置下，该模型在F-beta得分、精确率和召回率等不同指标上的表现如何比较？

主要发现

• 模型在测试中达到96.71%的准确率，表明其在未见过的亚马逊雨林卫星图像上具有强大的泛化能力。
• F-beta得分达到92.69%，表明在17种地表覆盖类别中，精确率与召回率之间实现了良好的平衡。
• 训练损失在15个周期后收敛，最终训练损失为6.88%，训练准确率为97.35%。
• 在NVIDIA Tesla K80 GPU上，模型训练时间约为一小时，表明在给定硬件条件下训练效率较高。
• 与从零开始训练相比，批量归一化和迁移学习的使用显著提升了收敛速度和模型性能。
• 模型对图像尺寸和光照变化表现出鲁棒性，表明其在环境监测中的实际部署具有潜力。