少样本学习: 使用自监督深度学习实现极高空间分辨率下的标签高效土地覆盖分类
计算机视觉与模式识别
2026-02-27 v2
摘要
深度学习语义分割方法在极高1米分辨率的土地覆盖分类中展现出有前景的性能,但收集大量代表性训练数据的挑战为在大面积区域推广此类模型用于米级土地覆盖制图设置了重大障碍。在本研究中,我们提出了一种新颖的标签高效方法,仅使用1,000个带注释的参考图像块,结合自监督深度学习,进行全州范围的1米土地覆盖分类。我们使用“自举你自己的潜在表示”预训练策略,利用大量未标记的彩色红外航空图像(377,921个256x256像素、1米分辨率的图像块)来预训练一个ResNet-101卷积编码器。学习到的编码器权重随后被迁移到多个深度语义分割架构(FCN、U-Net、Attention U-Net、DeepLabV3+、UPerNet、PAN)中,然后使用非常小的训练数据集大小(250、500、750个图像块)通过交叉验证进行微调。在微调后的模型中,我们使用表现最佳的U-Net模型的集成,获得了87.14%的总体准确率和75.58%的宏F1分数,用于覆盖美国密西西比州超过1230亿像素的全面1米、8类土地覆盖制图。详细的定性和定量分析揭示了对开阔水域和林地区域的准确制图,同时突出了在耕地、草本和裸地土地覆盖类型之间准确划分的挑战。这些结果表明,自监督学习是减少对大量手动注释数据需求的有效策略,直接解决了大规模高空间分辨率土地覆盖制图的一个主要限制。
引用
@article{arxiv.2511.03004,
title = {Learning with less: label-efficient land cover classification at very high spatial resolution using self-supervised deep learning},
author = {Dakota Hester and Vitor S. Martins and Lucas B. Ferreira and Thainara M. A. Lima},
journal= {arXiv preprint arXiv:2511.03004},
year = {2026}
}
备注
36 pages, 14 figures. Published in Science of Remote Sensing