基于定制度量学习策略的遥感影像大坝水库提取

大坝水库在满足可持续发展目标和全球气候目标方面发挥着重要作用。然而，特别是对于小型大坝水库，缺乏关于其地理位置的一致数据。为弥补这一数据缺口，一种有前景的方法是基于全球可用的遥感影像进行自动化大坝水库提取。这可视为水体提取的细粒度任务，涉及从图像中提取水域，再将大坝水库从自然水体中分离。我们提出了一种基于深度神经网络（DNN）的新流程，将大坝水库提取分解为水体分割与大坝水库识别。首先在分割模型中将水体从背景陆地中分离，然后在分类模型中将每个独立水体预测为大坝水库或自然水体。对于前者，将跨图像三元组的逐点度量学习注入分割模型，以解决水域与陆地区域间的轮廓模糊性。对于后者，将来自聚类的三元组的先验引导度量学习注入分类模型，以在细粒度层面上基于水库聚类优化图像嵌入空间。为促进未来研究，我们建立了包含西非与印度河流域地球影像数据及人工标注水库的基准数据集。在该基准上针对水体分割任务、大坝水库识别任务及联合大坝水库提取任务进行了大量实验。与最先进方法相比，我们的方法在相应任务中均表现出更优性能。