AdaTreeFormer: Few Shot Domain Adaptation for Tree Counting from a Single High-Resolution Image

要約

単一の航空写真または衛星画像のみを使用して樹木の密度を推定およびカウントするプロセスは、写真測量およびリモート センシングの分野では困難な作業です。
しかし、森林の管理においては重要な役割を果たしています。
さまざまな地形に多種多様な樹木が存在するため、樹木計数モデルの適切なパフォーマンスが大幅に妨げられています。
この論文の目的は、十分なラベル付きツリーを持つソース ドメインから学習し、限られた数のラベル付きツリーのみを持つターゲット ドメインに適応するフレームワークを提案することです。
AdaTreeFormer と呼ばれる私たちのメソッドには、ソース ドメインとターゲット ドメインから堅牢な特徴を抽出するための階層的特徴抽出スキームを備えた 1 つの共有エンコーダーが含まれています。
また、3 つのサブネットで構成されます。2 つはそれぞれソース ドメインとターゲット ドメインからセルフドメイン アテンション マップを抽出するためのもので、1 つはクロスドメイン アテンション マップを抽出するためです。
後者については、ツリー密度マップを生成する際に、さまざまなドメインから関連情報を抽出するために、注目を適応させるメカニズムが導入されています。
ソース ドメインとターゲット ドメインからの特徴を段階的に整列させる、階層的なクロスドメイン特徴整列スキームが提案されています。
また、ソース ドメインとターゲット ドメイン間のギャップをさらに縮小するために、敵対的学習をフレームワークに採用します。
私たちの AdaTreeFormer は、江蘇省、ヨセミテ、ロンドンの 3 つの樹木計数データセットを使用して、6 つの設計されたドメイン適応タスクで評価されます。
実験結果は、AdaTreeFormer が最先端技術を大幅に上回っていることを示しています。たとえば、ヨセミテから江蘇のデータセットまでのクロスドメインにおいて、絶対計数誤差の点で 15.9 ポイントの削減と、精度の 10.8\% の向上を達成しています。
検出された木の位置。
コードとデータセットは \emph{\color{magenta}{https://github.com/HAAClassic/AdaTreeFormer}} から入手できます。

要約(オリジナル)

The process of estimating and counting tree density using only a single aerial or satellite image is a difficult task in the fields of photogrammetry and remote sensing. However, it plays a crucial role in the management of forests. The huge variety of trees in varied topography severely hinders tree counting models to perform well. The purpose of this paper is to propose a framework that is learnt from the source domain with sufficient labeled trees and is adapted to the target domain with only a limited number of labeled trees. Our method, termed as AdaTreeFormer, contains one shared encoder with a hierarchical feature extraction scheme to extract robust features from the source and target domains. It also consists of three subnets: two for extracting self-domain attention maps from source and target domains respectively and one for extracting cross-domain attention maps. For the latter, an attention-to-adapt mechanism is introduced to distill relevant information from different domains while generating tree density maps; a hierarchical cross-domain feature alignment scheme is proposed that progressively aligns the features from the source and target domains. We also adopt adversarial learning into the framework to further reduce the gap between source and target domains. Our AdaTreeFormer is evaluated on six designed domain adaptation tasks using three tree counting datasets, \ie Jiangsu, Yosemite, and London. Experimental results show that AdaTreeFormer significantly surpasses the state of the art, \eg in the cross domain from the Yosemite to Jiangsu dataset, it achieves a reduction of 15.9 points in terms of the absolute counting errors and an increase of 10.8\% in the accuracy of the detected trees’ locations. The codes and datasets are available at \emph{\color{magenta}{https://github.com/HAAClassic/AdaTreeFormer}}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google