用于大区域地图自动化的卷积神经网络架构探索
计算机视觉与模式识别
2023-03-16 v1 机器学习
图像与视频处理
摘要
深度学习语义分割算法为土地利用与土地覆盖（LULC）地图的自动化生产提供了改进框架，显著提高了地图生成频率以及生产质量的一致性。在本研究中，共检验了 28 种不同的模型变体以提升 LULC 地图精度。实验使用 Landsat 5/7 或 Landsat 8 卫星图像与北美土地变化监测系统标签进行。评估了各类 CNN 及扩展组合的性能，其中输出步幅为 4 的 VGGNet 与改进的 U-Net 架构给出了最佳结果。还提供了对所生成 LULC 地图的扩展分析。利用深度神经网络，本工作在曼尼托巴南部 13 个 LULC 类别上达到 92.4% 精度，较已发表的 NALCMS 结果提升 15.8%。基于大感兴趣区域，Landsat 8 数据更高的辐射分辨率在 16 个 LULC 类别上获得比 Landsat 5/7（80.66%）更好的总体精度（88.04%）。相较于先前发表的 NALCMS 结果，这分别代表总体精度提升 11.44% 和 4.06%，且模型纳入了比其他已发表 LULC 地图自动化方法更大的土地面积与更多 LULC 类别。
引用
@article{arxiv.2211.03854,
title = {Exploration of Convolutional Neural Network Architectures for Large Region Map Automation},
author = {R. M. Tsenov and C. J. Henry and J. L. Storie and C. D. Storie and B. Murray and M. Sokolov},
journal= {arXiv preprint arXiv:2211.03854},
year = {2023}
}