一种用于土地覆盖分割的自监督方法
计算机视觉与模式识别
2023-10-30 v1
摘要
土地利用/土地覆盖变化(LULC)地图是地球科学与农业研究中的重要资源。由于此类地图的性质，LULC地图的创建常受限于精确标注卫星影像与遥感数据所需的时间与人力资源。尽管利用语义分割从此类数据生成精细标签的计算机视觉模型并不罕见，但在无地面真值掩膜条件下对LULC地图进行自监督与无监督标注的研究甚少。本文展示一种无需高质量地面真值标签的土地覆盖自监督分割方法。所提出的深度学习模型采用从DINO迁移的冻结预训练ViT骨干网络，置于STEGO架构中，并使用由甚高分辨率(VHR)卫星影像构成的自定义数据集进行微调。仅微调10个轮次后，在5个样本上观测到约52%的准确率，表明自监督模型用于VHR LULC地图自动标注的可行性。
引用
@article{arxiv.2310.18251,
title = {A Self-Supervised Approach to Land Cover Segmentation},
author = {Charles Moore and Dakota Hester},
journal= {arXiv preprint arXiv:2310.18251},
year = {2023}
}