利用可迁移深度模型对高分辨率遥感影像进行土地覆盖分类
计算机视觉与模式识别
2022-04-25 v3
摘要
近年来，大量高空间分辨率遥感（HRRS）影像可用于土地覆盖制图。然而，由于空间分辨率提高带来的复杂信息以及不同影像获取条件导致的数据扰动，往往难以找到一种有效的方法来实现高分辨率异构遥感影像的精确土地覆盖分类。本文提出一种方案，将已标注土地覆盖数据集上获得的深度模型应用于未标注 HRRS 影像的分类。其主要思想是依靠深度神经网络来表征不同类型土地覆盖所包含的上下文信息，并提出一种伪标注与样本选择方案以提升深度模型的可迁移性。更具体地，首先用一个精细标注的土地覆盖数据集（称为源数据）预训练一个深度卷积神经网络（CNN）。然后，给定一幅无标签的目标影像，利用预训练的 CNN 模型以块方式对影像进行分类。高置信度的块被赋予伪标签，并用作从源数据中检索相关样本的查询。经检索结果确认的伪标签被视为监督信息以微调预训练深度模型。为获得目标影像的像素级土地覆盖分类，我们依靠微调后的 CNN 并结合块级分类与分层分割开发了混合分类。此外，我们创建了一个包含 150 幅高分二号卫星影像的大规模土地覆盖数据集用于 CNN 预训练。在多源 HRRS 影像上的实验显示出令人鼓舞的结果，并证明了所提方案在土地覆盖分类中的适用性。
引用
@article{arxiv.1807.05713,
title = {Land-Cover Classification with High-Resolution Remote Sensing Images Using Transferable Deep Models},
author = {Xin-Yi Tong and Gui-Song Xia and Qikai Lu and Huanfeng Shen and Shengyang Li and Shucheng You and Liangpei Zhang},
journal= {arXiv preprint arXiv:1807.05713},
year = {2022}
}