DCA-UNet: Un método de reconocimiento de la copa del ginkgo basado en datos multifuente

Área de la Ciencia:

• Botánica y Biología de la Conservación; Informática e Inteligencia Artificial; Teledetección y Análisis Geoespacial

Sus antecedentes:

• El ginkgo silvestre es una especie en peligro de extinción crucial para la conservación de recursos genéticos.
• Los estudios tradicionales y la teledetección por satélite tienen limitaciones para monitorear el ginkgo silvestre en terrenos complejos.
• Los modelos de aprendizaje profundo existentes tienen dificultades con la fusión de datos multimodales para un reconocimiento preciso de la copa de ginkgo.

Objetivo del estudio:

• Desarrollar un método preciso para la segmentación de la copa de ginkgo silvestre utilizando imágenes multimodales basadas en drones.
• Proponer una novedosa red de aprendizaje profundo que fusione eficazmente datos RGB y multiespectrales.
• Mejorar el rendimiento del reconocimiento y la capacidad de generalización para el monitoreo de especies de árboles en peligro de extinción.

Principales métodos:

• Se creó un conjunto de datos de copas de ginkgo multimodales utilizando imágenes RGB y multiespectrales adquiridas por drones.
• Se propuso una red de fusión de ponderación dinámica de doble rama, DCA-UNet.
• DCA-UNet presenta un codificador de doble rama para la extracción independiente de características, un módulo de fusión de interacción intermodal con atención y un decodificador mejorado con atención.

Principales resultados:

• DCA-UNet logró una alta precisión de segmentación: 93,42% de IoU, 96,82% de PA, 96,38% de precisión y 96,60% de puntuación F1.
• El modelo propuesto superó significativamente al DFAFNet y a los modelos de referencia de modalidad única.
• El modelo demostró una fuerte generalización y robustez en diferentes altitudes de vuelo y escenarios complejos.

Conclusiones:

• DCA-UNet ofrece una solución superior y eficiente para el reconocimiento multimodal de copas de ginkgo basado en drones.
• El método desarrollado proporciona una herramienta fiable para el monitoreo de especies de árboles silvestres en peligro de extinción.
• La fusión eficaz de datos multimodales mejora significativamente la precisión y la robustez de la identificación de especies basada en teledetección.