利用域适应改进跨卫星的土地覆盖分割
计算机视觉与模式识别
2020-04-02 v2
摘要
土地利用与土地覆盖制图对林业、农业和城市管理等多个研究领域至关重要。使用地球观测卫星既便利又加速了该任务。近来，深度学习方法已被证明在通过语义图像分割实现制图自动化方面表现优异。然而，由于深度神经网络需要大量标注数据，充分利用卫星图像的潜力并非易事。此外，土地覆盖在不同区域的外观往往存在差异；因此，来自某一地点的标注数据未必有助于其他区域的制图。再者，卫星图像具有多种多光谱波段（波段可从RGB到超过十二个波段不等）。本文旨在利用域适应解决上述问题。我们将一种性能良好的域适应方法应用于使用Sentinel-2、WorldView-2和Pleiades-1卫星的RGB图像并以Corine Land Cover作为地面真值标签所构建的数据集上，同时也使用了DeepGlobe土地覆盖数据集。实验表明，相较于不使用域适应所得结果有显著提升，在某些情况下平均交并比（MIoU）提升超过20%，有时甚至能纠正地面真值标签中的错误。
引用
@article{arxiv.1912.05000,
title = {Improving land cover segmentation across satellites using domain adaptation},
author = {Nadir Bengana and Janne Heikkilä},
journal= {arXiv preprint arXiv:1912.05000},
year = {2020}
}
备注
12 pages, Transaction