应用卷积神经网络于地面图像的土地利用分类

土地利用制图是地理科学中一项基础且具挑战性的任务。与土地覆盖制图不同，通常无法使用俯视图像来完成。近期在线地理参考照片集合的爆炸式增长为地理知识发现提供了一种替代方法。在本工作中，我们提出了一个利用来自 Flickr 的地面图像进行土地利用制图的通用框架。我们的方法得益于几个新颖的方面。首先，我们通过执行位置和室内/室外过滤以及半监督数据集增强，解决了在线照片集合的噪声问题，例如不精确的地理位置和不均匀的空间分布。我们的室内/室外分类器在多个基准数据集上取得了 state-of-the-art 的性能，并接近人类水平的准确率。其次，我们利用通过深度学习（特别是卷积神经网络）提取的高级语义图像特征，这使我们能够在一个具有挑战性的八类土地利用制图问题上达到 76% 以上的准确率。