基于 ResUNet 的土地覆盖语义分割

在本文中，我们介绍了在开发自动化土地覆盖分类系统方面的工作。该系统以某区域的多波段卫星图像作为输入，并输出与该输入分辨率相同的区域土地覆盖图。为此，我们训练了卷积机器学习模型来完成预测卫星图像土地覆盖语义分割的任务。这是一个监督学习的案例。土地覆盖标签数据取自 CORINE 土地覆盖清单，卫星图像取自 Copernicus 中心。在模型方面，我们采用了 U-Net 架构的变体。我们的研究兴趣区域是爱奥尼亚群岛（希腊）。我们从零开始创建了一个覆盖该特定区域的数据集。此外，我们还从 BigEarthNet 数据集 [1] 进行了迁移学习。[1] 中对卫星图像到 CLC 类别的简单分类进行了处理，但并未像我们这样进行分割。然而，他们的模型是在比我们大得多的数据集上训练的，因此我们使用他们预训练的模型作为我们网络的第一部分来应用迁移学习，利用这些网络从卫星图像中提取有用特征的能力（我们将一个预训练的 ResNet50 迁移到了 U-Res-Net 中）。除了迁移学习外，我们还应用了其他技术以克服研究兴趣区域面积狭小所带来的限制。我们使用了数据增强（将图像切割为重叠块，应用旋转和翻转等随机变换）和交叉验证。结果在 CLC 的三个类别层级上进行了测试，并对不同方法的结果进行了比较研究。