集成传统和深度学习方法以检测卫星图像中的树冠-计算机科学-深度学习-目标检测.pdf

集成传统和深度学习方法以检测卫星图像中的树冠

OzanDurgut*BerilKallfelz-Sirmacek*CemÜnsalan*

SoftwareDesignGroupSchoolofArtsandSciencesFacultyofEngineering

AnalogDevicesUniversityofMaryYeditepeUniversity

Istanbul,TürkiyeBismarck,ND,USAIstanbul,Türkiye

ozan.durgut@berilkallfelz@unsalan@.tr

本ABSTRACT

译全球变暖、生物多样性的丧失和空气污染是地球面临的一些最严重的问题。解决这些问题的

中主要挑战之一是对森林缺乏监测以保护它们。为了应对这一问题，重要的是利用遥感和计算

机视觉方法来自动化监测应用程序。因此，基于传统方法和深度学习方法的自动树冠检测算

1法应运而生。在这项研究中，我们首先介绍了两种不同的基于这些方法的树冠检测方法。然

v

2后，我们形成了一种新颖的基于规则的方法，将这两种方法结合起来以增强树冠检测结果的

0鲁棒性和准确性。在传统方法用于提取特征和分割森林区域的同时，深度学习方法被用来检

5测我们的方法中的树冠。通过所提出的基于规则的方法，我们对这些结果进行后处理，旨在

1

0通过邻近树木和局部操作增加检测到的树冠数量。我们将获得的结果与所提出的方法在检测

.

7到的树冠数量方面进行了比较，并报告了所得结果的优势、劣势以及改进领域。

0

5Keywords树冠检测特征提取联合概率图深度学习加权框融合分割

2

:

v

i1介绍

x

r

a

森林和陆地植物产生地球氧气的%，使树木对于可持续性至关重要[1]。无节制的破坏树木是近期全球问

题如全球变暖、空气污染、沙漠化以及加剧的自然灾害的主要原因之一[2,3]。人类活动，包括农业、畜牧业

放牧和城市扩张，是主要因素，导致过去30年来森林持续减少。尽管有法律尝试保护，目前只有18%的森林

受到保护[1,4,5,6]。监测方法如激光雷达扫描、无人机分析和取样被使用但具有局限性并且不可持续。另一

方面，正确清点树木需要知道它们的确切位置并计算其树冠面积。树木密度为森林健康和碳储存能力提供洞

察，而树冠宽度反映光合作用潜力。因此，检测树冠至关重要。应用于卫星图像的传统方法和基于深度学习

的方法可以提供一个有效的解决方案。

最近的研究表明，传统的树冠检测方法和深度学习方法通常分别使用。传统方法，如模板匹配和基于局部最

大值的技术，在树检测[7,8]方面显示出显著的成功。然而，这些方法可能会遇到问题，特别是对于专注于

识别小树冠的研究来说，树冠的细节有限会妨碍准确检测[7]。此外，Larsen等。[9]发现仅基于传统方法的树

检测算法在使用来自不同地区的图像时是不够充分的。这一观察表明，利用传统方法进行特征提取，并根据

需要与其他方法结合可以提高树冠检测的准确性。基于深度学习的对象检测方法在树检测方面非常有效。在

我们之前的研究中，我们分析了swin变压器、RCNN、YOLO和DETR用于树检测的方法，并观察到它们的

*这些作者对本工作有同等贡献。*

集成传统和深度学习方法以检测卫星图像中的树冠集成传统和深度学习方法以检测卫星图像中的树冠集成传统和深度学习方法以检测卫星图像中的树冠

优势[10]。其他研究也支持这些发现，强调了这些方法的优点。例如，Xiao等人。[11]通过结合swin变压器

与U-Net改进了树木检测性能。Ren修改