基于MTPI自动传输学习的深度网络自动训练方法和强化学习算法,用于在干燥的热谷环境中检测植被

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 水文学的水文学

背景情况:

• 无人机成像和深度学习对于水文监测至关重要,但在干燥的热谷等复杂环境中面临手动培训成本和有限的自动培训实用性挑战.
• 现有的自动训练方法与非结构化数据集和复杂的网络架构作斗争,阻碍它们在现实世界中应用.

研究的目的:

• 开发一个自动化的深度学习培训框架,尽量减少水文应用的人类经验和试错成本.
• 通过转移学习和强化学习的结合,增强数据集和网络自动训练过程.

主要方法:

• 使用改进的最大转移潜力指数 (MTPI) 方法来确定最佳代条件,减少数据集和时间消耗.
• 多普森采样算法 (MTSA) 强化学习在MTPI条件下 (MTSA-MTPI) 得到了增强,用于自动增强数据集.
• 结合的MTPI-MTSA框架被应用于自动训练四个深度学习网络 (FCN,Seg-Net,U-Net,Seg-Res-Net 50).

主要成果:

• 该MTPI方法确定了最佳条件,使得后续代只能使用2.30%的数据集和6.31%的时间.
• MTSA-MTPI提高了准确率16.0%,并减少了标准误差20.9%,显著降低了试错成本.
• 使用MTPI-MTSA进行训练的Seg-Res-Net 50实现了95.2%的准确性 (WPA) 和90.9%的交叉超过联盟 (WIoU).

结论:

• 这项研究提出了一种有效的自动化培训方法,用于使用深度学习收集复杂的植被信息.
• 在环境监测的深度学习应用中,MTPI-MTSA方法为减少手动干预提供了有价值的参考.