科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】针对物候期识别传统方法特征提取不充分、未对关键特征进行区分,导致方法泛化能力较差、迁移应用识别精度低的问题,本研究将注意力机制引入残差神经网络,结合基于数字照相的物候观测方式,提出具有较强细粒度特征识别能力且实用性较强的林木物候期识别方法,从而为林木的长期实时物候监测提供技术支撑。【方法】以PhenoCam中的栎林及槭林像片为研究材料,选取2017—2018年的数据作为训练集,以2019年的数据评价模型的泛化能力。研究结合实地观测数据对研究区的林木物候期进行划分,设计数据裁剪公式,在增强数据的同时均衡各个物候期数据的数量。研究基于ResNet50残差神经网络设计了深度学习模型,针对林木物候期差异较小的特性引入了注意力机制,注意力模块在通道及空间维度对神经网络提取的特征进行再处理,提升了模型对细粒度图像差异的识别能力。【结果】注意力机制的引入有效提升了模型的泛化能力,增强了模型对易混淆物候期的识别能力,在未参与训练的19年数据集的栎林物候期识别取得了90.58%的准确率,槭林物候期识别准确率为89.27%,较引入前模型准确率在两个研究区分别提升21.86%与13.15%,优于传统AlexNet和HOG-SVM方法。【结论】基于残差注意力网络的林木物候期识别方法较好解决了原有方法泛化能力较差的问题,该方法具有准确度高、迁移应用能力强等优势,能对易混淆的林木物候期进行精准区分,适用于林木物候的长期观测。
- 单位
