利用地面影像在城市尺度上进行细粒度土地利用分类
计算机视觉与模式识别
2018-02-09 v1 信息检索
多媒体
摘要
我们利用地面影像在城市尺度上进行细粒度土地利用制图。绘制土地利用比绘制土地覆盖困难得多，且通常无法使用俯视影像完成，因为它需要特写视图并看到建筑物内部。我们假定不断增长的地理参考地面影像集合为这一地理知识发现问题提供了一种替代方法。我们开发了一个通用框架，使用 Flickr 影像为旧金山市绘制 45 种不同的土地利用类别。单张影像使用一种新颖的卷积神经网络进行分类，该网络包含两条流，一条用于识别物体，另一条用于识别场景。该网络以端到端方式直接在带标签的训练影像上训练。我们提出了几种策略来克服用户生成数据的噪声，包括基于搜索的训练集增强与在线自适应训练。我们推导出旧金山的基础真值地图以评估我们的方法。我们通过地理可视化与定量分析展示了我们方法的有效性。我们的框架在单个地块层面实现了超过 29% 的召回率，这为极具挑战性的 45 类土地利用分类问题建立了强基线，尤其考虑到影像数据的噪声。
引用
@article{arxiv.1802.02668,
title = {Fine-Grained Land Use Classification at the City Scale Using Ground-Level Images},
author = {Yi Zhu and Xueqing Deng and Shawn Newsam},
journal= {arXiv preprint arXiv:1802.02668},
year = {2018}
}