LC-SSlab：面向卫星图像和稀疏现场标签的大规模地表覆盖分类的对象基深度学习框架
计算机视觉与模式识别
2025-09-22 v1
摘要
使用深度学习生成的大规模地表覆盖地图在广泛的地球科学应用中发挥着关键作用。来自规范地表覆盖调查的开放现场数据集为训练此类模型提供了可扩展的替代方案，相对于手动标注。然而，其稀疏的空间覆盖常导致与现有深度学习基于地表覆盖映射方法一起使用时产生碎片化和噪声预测。一个有前景的方向是对象基分类，这种方法为具有语义一致性的图像区域分配标签，而非单个像素，从而施加最小映射单元。尽管存在这种潜力，但对象基方法在深度学习基于地表覆盖映射管道中仍属未充分探索的领域，尤其是在中分辨率图像和稀疏监督的上下文环境下。为填补这一空白，我们提出LC-SSlab（Land Cover Semantic Segmentation Lab），这是首个系统性地探索对象基深度学习方法用于稀疏监督下大规模地表覆盖分类的深度学习框架。LC-SSlab支持通过图神经网络的输入级聚合，以及通过后处理已建立语义分割模型结果的输出级聚合。此外，我们还整合了来自大型预训练网络的特征以提高小数据集上的性能。我们在年度合成地球观测（Sentinel-2）影像上评估了该框架，聚焦于准确性与碎片化之间的权衡，以及对数据集大小的敏感性。我们的结果表明，对象基方法可以匹配或超过常见像素级模型的准确性，同时生成显著更连贯的地图。输入级聚合在较小数据集上表现更稳健，而输出级聚合在数据更丰富时表现最佳。多个LC-SSlab配置也超越了现有的地表覆盖产品，凸显了该框架的实际效用。
引用
@article{arxiv.2509.15868,
title = {LC-SLab -- An Object-based Deep Learning Framework for Large-scale Land Cover Classification from Satellite Imagery and Sparse In-situ Labels},
author = {Johannes Leonhardt and Juergen Gall and Ribana Roscher},
journal= {arXiv preprint arXiv:2509.15868},
year = {2025}
}