佛兰德生物估值地图：一项 Sentinel-2 影像分析
计算机视觉与模式识别
2024-01-30 v1 机器学习
摘要
近年来，机器学习在遥感分析中变得至关重要，尤其是在土地利用/土地覆盖（LULC）领域。机器学习与卫星影像分析的协同作用已在该领域展现出显著的生产力，多项研究已证实了这一点。该领域内一个显著的挑战是对广阔领土的土地利用进行语义分割制图，其中精确土地利用数据的可获取性以及地面真实土地利用标签的可靠性构成了重大困难。例如，提供比利时一级行政区划佛兰德大区详细且精确的像素级标注数据集可能极具洞见。然而，在全球许多地区，此类研究明显缺乏规范化、形式化的数据集与工作流程。本文介绍了一种解决这些差距的综合方法。我们提供了一个与 Sentinel-2 卫星影像配对的、密集标注的佛兰德地面真实地图。我们的方法包括一个形式化的数据集划分与采样方法，利用了地形图布局 'Kaartbladversnijdingen'，以及一个详细的语义分割模型训练流程。我们还提供了初步的基准测试结果，以证明我们方法的有效性。
引用
@article{arxiv.2401.15223,
title = {Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis},
author = {Mingshi Li and Dusan Grujicic and Steven De Saeger and Stien Heremans and Ben Somers and Matthew B. Blaschko},
journal= {arXiv preprint arXiv:2401.15223},
year = {2024}
}