基于稀疏混合专家的优势树种分类方法

摘要

森林优势树种分类是区域森林资源精细监测与生态评估的重要基础。在中等分辨率遥感场景下，像元混合与边界过渡效应显著，混交区域类别判别不稳定。同时，训练样本中不同树种类别的样本占比存在明显差异，样本占比偏低的类别更易出现漏分、空间破碎与边界漂移等问题。为此，面向光学数据、雷达数据和地形因子构建多模态输入，提出一种少数类增强多模态混合专家网络（minority-class mitigation mixture-of-experts network,M-MoENet）。该方法设计轻量层级融合模块，对不同模态进行专用卷积编码并逐级融合，获得统一特征表示。在编码器前馈子层引入稀疏混合专家多层感知机模块（mixture-of-experts multilayer perceptron,MoE-MLP），并结合置信度调节门控实现自适应专家激活。同时，引入面向低占比类别的训练约束，以缓解主导类偏置并提升少数类的有效学习能力。试验结果表明，M-MoENet总体性能最优，总体精度（overall accuracy,OA）、平均交并比（mean intersection over union,mIoU）和Kappa系数分别达到79.46%、60.08%和0.74，并在常绿松与椴树等少数类上取得更显著提升。该方法能够在多模态和类别样本比例不均衡条件下提升优势树种分类精度，为复杂林区优势树种分类提供有效方法。

关键词

优势树种分类 / 语义分割 / 多模态 / 混合专家模型 / 少数类增强