elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Progressive Unsupervised Deep Transfer Learning for Forest Mapping in Satellite Image

Nouman, Ahmed und Saha, Sudipan und Shahzad, Muhammad und Moazam Fraz, Muhammad und Zhu, Xiao Xiang (2021) Progressive Unsupervised Deep Transfer Learning for Forest Mapping in Satellite Image. In: 18th IEEE/CVF International Conference on Computer Vision Workshops, ICCVW 2021, Seiten 752-761. International Conference on Computer Vision (ICCV), 2021-10-11 - 2021-10-17, Virtuell. doi: 10.1109/ICCVW54120.2021.00089. ISBN 978-166540191-3. ISSN 1550-5499.

[img] PDF
2MB

Offizielle URL: https://ieeexplore.ieee.org/document/9607401

Kurzfassung

Automated forest mapping is important to understand our forests that play a key role in ecological system. However, efforts towards forest mapping is impeded by difficulty to collect labeled forest images that show large intraclass variation. Recently unsupervised learning has shown promising capability when exploiting limited labeled data. Motivated by this, we propose a progressive unsupervised deep transfer learning method for forest mapping. The proposed method exploits a pre-trained model that is subsequently fine-tuned over the target forest domain. We propose two different fine-tuning echanism, one works in a totally unsupervised setting by jointly learning the parameters of CNN and the k-means based cluster assignments of the resulting features and the other one works in a semi-supervised setting by exploiting the extracted k-nearest neighbor based pseudo labels. The proposed progressive scheme is evaluated on publicly available EuroSAT dataset using the relevant base model trained on BigEarth-Net labels. The results show that the proposed method greatly improves the forest regions classification accuracy as compared to the unsupervised baseline, nearly approaching the supervised classification approach.

elib-URL des Eintrags:https://elib.dlr.de/145759/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Progressive Unsupervised Deep Transfer Learning for Forest Mapping in Satellite Image
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Nouman, AhmedNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Saha, Sudipansudipan.saha (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Shahzad, MuhammadMuhammad.Shahzad (at) tum.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Moazam Fraz, MuhammadNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiaoxiang.zhu (at) dlr.dehttps://orcid.org/0000-0001-5530-3613NICHT SPEZIFIZIERT
Datum:2021
Erschienen in:18th IEEE/CVF International Conference on Computer Vision Workshops, ICCVW 2021
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/ICCVW54120.2021.00089
Seitenbereich:Seiten 752-761
ISSN:1550-5499
ISBN:978-166540191-3
Status:veröffentlicht
Stichwörter:Unsupervised Learning, Deep Learning, Forest Monitoring, AI4EO, Earth Observation, Transfer Learning
Veranstaltungstitel:International Conference on Computer Vision (ICCV)
Veranstaltungsort:Virtuell
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:11 Oktober 2021
Veranstaltungsende:17 Oktober 2021
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Rösel, Dr. Anja
Hinterlegt am:19 Nov 2021 09:43
Letzte Änderung:05 Jun 2024 12:10

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.