[论文解读] Using Convolutional Neural Networks to Count Palm Trees in Satellite Images

Eu Koon Cheang, Teik Koon Cheang+1 more|arXiv (Cornell University)|Jan 23, 2017

Remote Sensing and LiDAR Applications参考文献 5被引用 21

一句话总结

本文提出一种基于卷积神经网络（CNN）的系统，用于在高分辨率卫星图像（40 cm 至 1.5 m/像素）中计数并定位椰子树。通过在基于 CNN 分类器训练出的置信度图上使用滑动窗口方法，再经平滑处理与非极大值抑制，该方法即使在小规模训练数据集下，也能实现超过 99% 的树木计数准确率。

ABSTRACT

In this paper we propose a supervised learning system for counting and localizing palm trees in high-resolution, panchromatic satellite imagery (40cm/pixel to 1.5m/pixel). A convolutional neural network classifier trained on a set of palm and no-palm images is applied across a satellite image scene in a sliding window fashion. The resultant confidence map is smoothed with a uniform filter. A non-maximal suppression is applied onto the smoothed confidence map to obtain peaks. Trained with a small dataset of 500 images of size 40x40 cropped from satellite images, the system manages to achieve a tree count accuracy of over 99%.

研究动机与目标

• 开发一种可扩展、自动化的系统，用于在高分辨率卫星图像中计数椰子树。
• 解决在复杂、高分辨率场景中检测和定位单个椰子树的挑战。
• 在最小化训练数据集的前提下，实现高准确率的树木计数。
• 评估基于 CNN 的方法在不同空间分辨率的真实卫星图像上的性能。

提出的方法

• 使用包含 500 张裁剪后的 40×40 像素图像的数据集，训练一个卷积神经网络（CNN），以将图像块分类为包含椰子树或不包含椰子树。
• 将训练好的 CNN 以滑动窗口方式应用于整幅卫星图像，生成置信度图。
• 使用均匀滤波对置信度图进行平滑处理，以减少噪声并增强峰值检测。
• 对平滑后的置信度图应用非极大值抑制，以识别局部最大值，对应于检测到的椰子树位置。
• 最终的树木计数由置信度图中检测到的峰值数量得出。
• 该系统在空间分辨率范围为每像素 40 cm 至 1.5 m 的卫星图像上进行评估。

实验结果

研究问题

• RQ1 基于 CNN 的方法是否能在仅使用少量训练数据的情况下实现高准确率的椰子树计数？
• RQ2 滑动窗口与峰值检测流程在高分辨率卫星图像中定位单个椰子树的效率如何？
• RQ3 图像分辨率对检测系统性能有何影响？
• RQ4 该方法能否在不同空间分辨率的卫星图像中实现泛化？

主要发现

• 尽管仅使用 500 张图像进行训练，该系统在测试数据集上的树木计数准确率仍超过 99%。
• 该方法成功地在 40 cm 至 1.5 m/像素的空间分辨率范围内检测并定位了单个椰子树。
• CNN 分类、置信度图平滑处理与非极大值抑制的组合有效减少了误报，并提高了定位精度。
• 该方法在极少标注数据的情况下表现出强大的泛化能力，适用于数据稀缺环境的部署。