专家知识引导的决策校准用于精确的细粒度树种分类
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:Expert knowledge-guided decision calibration for accurate fine-grained tree species classification
【字体:
大
中
小
】
时间:2026年09月27日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.9
编辑推荐:
**摘要**
准确的细粒度树种分类对于森林资源调查和生物多样性监测至关重要。现有方法主要集中于设计复杂的架构以拟合局部数据分布。然而,这些方法往往忽视了有限数据中固有的长尾分布和类间高相似性问题,导致难以区分少样本或易混淆类别。在人类世界的知识传播过程中,个体会主动寻求专家
**摘要**
准确的细粒度树种分类对于森林资源调查和生物多样性监测至关重要。现有方法主要集中于设计复杂的架构以拟合局部数据分布。然而,这些方法往往忽视了有限数据中固有的长尾分布和类间高相似性问题,导致难以区分少样本或易混淆类别。在人类世界的知识传播过程中,个体会主动寻求专家帮助以突破局部思维的局限。受此启发,我们引入外部"领域专家",并提出专家知识引导的分类决策校准网络(EKDC-Net)以克服这些挑战。我们的框架解决了两个核心问题:专家知识的提取与利用。具体而言,我们首先开发了局部先验引导的知识提取模块(LPKEM)。通过利用类激活图(CAM)分析,LPKEM引导领域专家仅关注分类所必需的判别性特征。随后,为有效整合该知识,我们设计了不确定性引导的决策校准模块(UDCM)。该模块通过综合考虑全局类别不确定性和实例级预测不确定性,动态校正局部模型的决策。此外,我们提出了一个涵盖102种树种的大规模分类数据集,命名为CU-Tree102,以解决当前基准测试中多样性匮乏的问题。在三个基准数据集上的实验表明,我们的方法达到了当前最佳性能。关键在于,作为一个轻量级的即插即用模块,EKDC-Net仅增加了0.08M可学习参数,却将主干网络准确率提升了7.86%,精确率提升了12.89%。数据集、代码和预训练模型可在以下地址获取:https://github.com/WHU-USI3DV/TreeCLS
**引言**
树木是生态系统的重要组成部分,在保护生物多样性(Barrios et al., 2018)、促进环境可持续发展(Honeck et al., 2018)以及调节全球碳循环(H. Dong et al., 2025)方面发挥着不可或缺的作用。高效准确的细粒度树种分类是促进精准森林管理(Laumer et al., 2020)和推进绿色城市建设(Chen et al., 2023)的基本前提。
传统实地调查方法耗时费力且难以规模化(Hansen et al., 1996)。随着对地观测技术和计算机视觉技术的快速发展(Z. Dong et al., 2025),基于图像的深度学习方法已成为快速树种识别的强大工具(Kwon et al., 2023)。Carpentier等人(2018)构建了首个树皮图像数据集,并通过结合卷积神经网络(CNN)与多数投票策略实现了准确分类。Rzanny等人(2019)将多个器官(如花朵和叶片)的信息融合作为一种提高分类准确率的有效方法。近年来,iNat和Pl@ntNet-300K等大规模植物数据集的出现(Garcin et al., 2021),激发了人们对开发复杂细粒度视觉分类算法以捕捉不同树种间细微形态差异的研究兴趣(Branson et al., 2018, Y. Dong et al., 2025)。
尽管这些方法通过精巧设计取得了显著成果,但将其应用于细粒度树种分类仍面临挑战。一个根本性局限在于,它们仅专注于拟合局部训练数据集的固定分布,而忽视了这种受限的局部视角与真实数据分布之间的差异,从而导致学到有偏的决策边界。这表现为两个主要缺陷:(1)难以处理长尾类别:如图1-(a)所示,由于专家标注和数据采集的高昂成本,数据集通常存在严重的类别不平衡问题。拟合此类局部分布的模型难以泛化到尾部类别,导致性能低下且方差较大。(2)局部分布中的模糊性:在局部视角下,由于非典型样本的存在(例如两棵相似的杨树和槐树),不同物种的特征分布可能出现重叠。过于关注这些局部细节会使模型忽视全局数据的内在可分性。因此,模型倾向于学习有偏的决策边界,难以区分易混淆类别(见图1-(b))。
为解决这一挑战,我们从人类认知中的知识传递过程汲取灵感。在人类学习过程中,当学生被模糊概念或有限样本所困扰时,通常会寻求具有更广阔全局视角的知识渊博的教师的指导。受此过程启发,我们提出了一种新的专家知识引导的分类决策校准网络,命名为EKDC-Net。与仅依赖有限特征不同,该方法引入外部领域专家来校正局部主干网络的分类决策。具体而言,我们采用先进的视觉基础模型(Stevens et al., 2024, Gu et al., 2025)作为领域专家。得益于在大规模配对生物图像-文本数据上的对比预训练(Radford et al., 2021),这些模型提供了具有内在可分性的鲁棒全局表示,有效弥补了局部模型视角的局限性。为有效提取和利用该专家知识,我们设计了两个专门模块。首先,我们提出了局部先验引导的知识提取模块(LPKEM)。通过将局部模型中的类激活图(CAM)分析(Zhou et al., 2016)作为空间线索,LPKEM过滤掉无关的背景噪声,引导领域专家严格聚焦于判别性核心知识(如树冠、树皮)。随后,我们跳过复杂的知识蒸馏(Hu et al., 2025)或特征融合机制(Long et al., 2024),设计了不确定性引导的决策校准模块(UDCM)以执行对数几率层面的决策校正。该模块通过联合分析全局类别级不确定性和实例级预测不确定性,动态校正局部主干网络的决策,从而修正由有限局部视角导致的误分类。此外,为解决当前基准测试中多样性不足的问题(Yang et al., 2023),我们构建并发布了涵盖中国102种树种的大规模分类数据集。这提供了一个反映现实世界复杂性的具有挑战性的基准测试。
总之,本工作的主要贡献如下:
- 我们分析了拟合局部分布的局限性,并提出EKDC-Net——一个即插即用框架,以解决长尾和易混淆类别的挑战。具体而言,我们设计了LPKEM,利用局部先验提取判别性知识;以及UDCM,基于不确定性估计进行决策校准,从而提高分类准确率。
- 我们引入了一个新的包含102种树种的大规模数据集,命名为CU-Tree102。它显著扩展了现有数据集的多样性和规模,为林业领域的细粒度图像分类任务提供了更具挑战性的测试基准。
- 大量实验表明,所提出的EKDC-Net达到了当前最佳性能。仅增加0.08M可学习参数,即将主干网络准确率提升了7.86%,精确率提升了12.89%,并将不同域之间的平均泛化能力提升了30.56%。
**章节摘录**
**细粒度树种分类**
细粒度树种视觉分类(FGVC)是城市林业中的关键任务,旨在区分具有细微形态差异的下级类别(Arevalo-Ramirez et al., 2024)。早期方法主要集中于应用标准主干网络来提取高层语义表示。架构已从卷积神经网络(CNNs)(Chou et al., 2022, Lee et al., 2023)快速演进到视觉Transformer(Sun et al., 2022),最终……
**概述**
给定包含树木的光学图像 $\mathcal{I} \in \mathbb{R}^{H \times W \times 3}$,我们的目标是准确分类相应的树种。现有方法专注于拟合局部数据分布,这导致难以应对林业中固有的长尾分布和类间高相似性挑战。与这些方法不同,我们提出了专家知识引导的决策校准网络(EKDC-Net)。EKDC-Net的核心理念是引入视觉基础模型作为外部"领域……
**CU-Tree102数据集**
为提高现有基准测试的多样性,我们构建了包含102种树种的CU-Tree102数据集。我们基于科学研究和当地调查选择了这些物种,以涵盖中国最常见的树种。具体而言,我们参考了Wang等人(2020)的研究,该研究调查了35个主要城市,确定了99种常见行道树种。通过将这些发现与林业部门的报告相结合,我们确定了最终的102个类别作为目标……
**组件贡献分析**
为评估框架中每个组件的贡献,我们在CU-Tree102数据集上使用CGL主干网络进行了渐进式消融研究。我们通过系统地排除组件建立了三个变体:(1)移除LPKEM中的掩码策略,并将完整图像输入专家模型。(2)用简单平均融合替换UDCM模块。(3)完全舍弃专家模型(即回归到原始CGL基线)。
详细的定量结果表明……
**结论**
本工作识别并解决了现有树种分类方法中的一个关键局限:对固定局部分布的过拟合,这损害了在少样本和易混淆类别上的性能。为缓解这一问题,我们引入了EKDC-Net,一个整合外部领域专家的框架。它包含两个专门模块——LPKEM和UDCM,分别用于提取和利用专家知识,从而校正有偏的预测……
**作者贡献声明**
Chen Long:撰写——初稿,方法论,数据整理。Dian Chen:数据整理。Ruifei Ding:数据整理。Zhe Chen:方法论。Zhen Dong:项目管理,资金获取。Bisheng Yang:项目管理。
**披露声明**
作者确认,没有明显的利益冲突或个人关系可能影响本文所呈现研究的结果。
**生成式AI在科学写作中的使用声明**
在本工作准备过程中,作者使用了Gemini来润色稿件。在使用该工具/服务后,作者对内容进行了审查和编辑,并对出版物的内容承担全部责任。
**利益冲突声明**
作者声明,他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
**致谢**
本工作得到国家重点研发计划资助,项目编号:2023YFF0725200。
Chen Long | Dian Chen | Ruifei Ding | Zhe Chen | Zhen Dong | Bisheng Yang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号