生成用于土地覆盖分类以推进全球发展的训练数据集
计算机视觉与模式识别
2018-11-21 v1 机器学习
摘要
土地覆盖类的语义分割是农业与经济发展工作(从可持续林业到城市规划)的基础,然而现有的训练数据集存在显著局限。为生成开放的、全面的高分辨率地球影像与高质量土地覆盖分类训练库,我们将 10 m 空间分辨率的公开 Sentinel-2 数据与来自 2010 年精确的 GlobeLand30 标签相匹配,后者通过在大气校正过程中生成的中介 20 m Sentinel-2 分类的一致性进行了过滤。场景级分类由在有效反射率数据和过滤后标签上训练的随机森林预测,并在多个地点取得了超过 80% 的模型精度。在众包人工验证之前,还需汇总各场景分类以生成年度标签,并在更多地点测试该方法。目标是建立持续的社区范围努力,不仅为土地覆盖生成图像标签,也为全球发展界关注的主要农作物的非常具体的图像及其他专题类别生成标签。
引用
@article{arxiv.1811.07998,
title = {Generating a Training Dataset for Land Cover Classification to Advance Global Development},
author = {Yoni Nachmany and Hamed Alemohammad},
journal= {arXiv preprint arXiv:1811.07998},
year = {2018}
}
备注
Presented at NIPS 2018 Workshop on Machine Learning for the Developing World