基于卫星影像与少量局部标签的快速建筑物分割
计算机视觉与模式识别
2022-06-14 v1 机器学习
摘要
用于卫星图像分析的计算机视觉算法创新，使我们能够在行星尺度上探索城市化与土地利用变化等全球挑战。然而，当试图将这些驱动分析模型复用到新区域时，域偏移问题是常见现象，尤其在发展中国家。若模型使用某一地点的影像与标签训练，则通常无法很好泛化到影像内容与数据分布不同的新地点。本工作中，我们考虑如下设定：我们拥有单一大型卫星影像场景，并希望在其上解决一个应用问题——建筑物足迹分割。此处我们未必需要担忧创建能泛化至场景边界之外的模型，而可转而训练一个局部模型。我们表明，考虑到此设定，仅需极少量标签即可利用非常高分辨率（0.5m/px）卫星影像解决建筑物分割问题。我们仅用 527 个稀疏多边形标注（相当于 1500 x 1500 个密集标注像素）训练的最佳模型，在留出足迹上的召回率为 0.87，在 200 x 200 米窗口内统计建筑物数量任务上的 R2 为 0.93。我们在约旦安曼的高分辨率影像上应用我们的模型，开展了一项城市变化检测案例研究。
引用
@article{arxiv.2206.05377,
title = {Fast building segmentation from satellite imagery and few local labels},
author = {Caleb Robinson and Anthony Ortiz and Hogeun Park and Nancy Lozano Gracia and Jon Kher Kaw and Tina Sederholm and Rahul Dodhia and Juan M. Lavista Ferres},
journal= {arXiv preprint arXiv:2206.05377},
year = {2022}
}
备注
Accepted at EarthVision 2022