前言
本博文是对关于农田提取论文的简单汇总。有比较新颖的方法，欢迎大家在下面留言。
2018
Deep Extraction of Cropland Parcels from Very High-Resolution Remotely Sensed Imagery
摘要
从高分辨率遥感影像中提取耕地面积是实现精准农业等领域的一项基本任务。基于目标的图像分析严重依赖于图像分割方法，在大多数情况下不能满足图像分割的要求。受最近深度学习在图像理解方面显著改进的启发，我们提出了一种深度边缘引导的耕地面积提取方法。针对这些地块的边界，分别采用U-Net模型和RCF模型提取硬边和软边。然后将所有边缘与耕地类型构造成地块。最后得到了准确的耕地面积。
论文的贡献
- 通过分别考虑两种类型的耕地地块边界，可以在整个提取框架中使用不同的提取方法。
- 提取了可与人工圈定相媲美的深边，用于地块的几何构造。
- 结合语义分割方法，实现了对耕地与其他土地类型的准确区分。
方法
我们的方法可以分为三个主要阶段。第一阶段是样本准备和培训。第二阶段为边缘与耕地预测阶段。最后一个阶段是整块农田的后处理。
2019
Contour-oriented Cropland Extraction from High Resolution Remote Sensing Imagery Using Richer Convolution Features Network
摘要
耕地提取在许多农业应用中具有重要意义，一直是重要的研究热点。 在本研究中，我们提出了一种面向轮廓的方法，利用RCF网络从高分辨率遥感图像中提取农田。 以贵州省威宁县为研究区，以谷歌地球图像为数据来源。 与Canny算法相比，RCF网络对农田轮廓的检测更加准确和完整，在数值和视觉上都有了很大的改进。 最后，我们成功地利用该方法制作了威宁县部分农田专题图，与完全手工制作相比，生产率提高了5倍，表明了这种面向等高线的方法的应用价值。
方法
该方法由数据准备、网络训练和农田提取三个阶段组成。 图1显示了整个拟议方法的工作流程。 在第一阶段，产生实验数据，用于第二阶段的网络培训和测试。 在训练阶段，根据验证集的评估结果对网络进行优化。 在获得验证集中的最佳模型后，我们通过测试集来评估网络性能。 最后，我们利用模型对农田轮廓进行预测，然后提取其骨架，结合一些人工修改，生成威宁县一部分的农田图。
2020
Deep learning on edge: extracting field boundaries from satellite images with a convolutional neural network
https://github.com/feevos/resuneta
摘要
数字农业服务的应用往往要求农民或其顾问提供有关其现场边界的数字记录。从卫星图像中自动提取现场边界将减少对这些记录的手动输入的依赖，并将作为远程产品和服务提供的基础。当前场边界数据集的缺乏似乎表明对现有方法的使用率较低，可能是因为昂贵的图像预处理要求和局部的，通常是任意的，调优。在本文中，我们试图通过提出一种数据驱动的、鲁棒的、通用的方法来促进从卫星图像中提取场边界，并将该问题作为一个多任务语义分割问题来解决。我们使用单元，一个深度卷积神经网络，具有完全连接的主干，以扩展卷积和条件推理来识别：1）农田的范围；2）农田的边界；3）到最近边界的距离。通过要求该算法重建三个相关输出，模型性能及其推广可以大大提高。 接下来，可以通过对三个模型输出进行后处理来实现单个字段的实例分割，例如通过阈值分割或分水岭分割。 使用Sentinel-2的单个月复合图像作为输入，该模型在映射场范围、场边界以及因此单个场方面具有很高的精度。 用接近合成周期的单日期图像替换每月合成，略微降低了精度。 然后，我们在一系列实验中表明，在不重新校准的情况下，相同的模型在分辨率、传感器、空间和时间上都得到了很好的推广。 通过对整个季节获得的至少四幅图像的模型预测进行平均，建立共识是应对准确性的时间变化的关键。卷积网络能够从图像中学习复杂的分层上下文特征，以准确地检测场边界并丢弃无关边界，从而优于传统的边缘滤波器。 通过最小化过拟合和图像预处理需求，并通过用数据驱动的决策代替局部任意决策，我们的方法有望促进规模上单个作物田的提取。
论文的贡献
我们的首要目标是开发和评估一种方法，通过替换上下文特定的任意决策和最小化图像预处理工作负载来常规地按规模提取场边界。我们将该任务表述为全卷积神经网络的多任务语义分割问题，其中每个像素同时标注三个标签：1）属于农田的概率（范围掩码）；2）属于边界的概率（边界掩码）；3）到最近边界的距离（距离掩码）。我们使用具有完全连接单元结构的深度卷积神经网络，具有扩展卷积和条件推理；迪亚科吉尼斯等人，2019）提取场边界。由于神经网络可能会产生不连续的边界，我们还引入了两种后处理方法，利用其输出来生成封闭的边界和检索单个字段。换句话说，后处理方法是利用语义分割输出来实现实例分割的。
本文旨在测试该方法的性能和局限性，并为利用深度学习进行国家到全球场边界提取奠定蓝图。 正如本文所示，我们的方法在使用Sentinel-2的每月复合图像跨越我们在南非的主要站点时，提取了具有高主题和几何精度的场边界。 然后，我们进行了一系列实验，证明过度拟合是最小的，允许我们的卷积神经网络在一系列条件下应用，而不需要重新校准。 具体而言，它将好1)推广到接近合成期的单日期哨兵-2图像，2)推广到Landsat图像，3)推广到其他地点（阿根廷、澳大利亚、加拿大、俄罗斯、乌克兰的次要地点）和收购日期。 通过学习光谱和上下文信息，我们的深卷积神经网络丢弃了不属于场边界的边缘，并强调了那些边缘，提供了比传统方法更明显的优势。
