基于 Sentinel-2 卫星影像的卷积神经网络全球人类聚居地制图
图像与视频处理
2020-10-30 v2 计算机视觉与模式识别
机器学习
摘要
空间一致且最新的聚居地地图对于制定与城市化和可持续性相关的政策至关重要，尤其是在世界日益城市化的时代。哥白尼地球观测计划所提供的开放且免费的 Sentinel-2 数据为在全球尺度上开展人类聚居地的全覆盖制图带来了新机遇。本文提出了一种基于深度学习的框架，用于从 Sentinel-2 影像的全球合成图中以 10 m 空间分辨率全自动提取建成区。我们发展了一种基于简单卷积神经网络架构的多神经建模方法，用于建成区的逐像素图像分类。所提模型的核心特征包括：适用于从 Sentinel-2 影像描述建成区的 5×5 像素大小的图像块，以及具有总计 1,448,578 个可训练参数、4 个二维卷积层和 2 个展平层的轻量拓扑结构。该模型在全球 Sentinel-2 影像合成图上的部署提供了最详细且最完整的建成区地图，对应参考年份为 2018 年。利用覆盖全球 277 个站点的独立建筑足迹参考数据集对结果进行验证，确立了所提框架生成的建成区图层的可信度以及模型的鲁棒性。
引用
@article{arxiv.2006.03267,
title = {Convolutional Neural Networks for Global Human Settlements Mapping from Sentinel-2 Satellite Imagery},
author = {Christina Corbane and Vasileios Syrris and Filip Sabo and Panagiotis Politis and Michele Melchiorri and Martino Pesaresi and Pierre Soille and Thomas Kemper},
journal= {arXiv preprint arXiv:2006.03267},
year = {2020}
}
备注
51 pages including supplementary material, 13 Figures in the main manuscript, under review in Neural Computing and Applications journal