无需精确指导：从低分辨率历史标签更新大规模高分辨率土地覆盖图
计算机视觉与模式识别
2024-03-26 v3 机器学习
摘要
大规模高分辨率（HR）土地覆盖制图是调查地球表面和解决人类面临的许多挑战的重要任务。然而，由于复杂的地面细节、多样的地形以及在大范围地理区域内缺乏准确的训练标签，这仍然是一项艰巨的任务。在本文中，我们提出了一种高效的弱监督框架（Paraformer），利用易于获取的低分辨率历史土地覆盖数据来指导大规模高分辨率土地覆盖制图。具体来说，现有的土地覆盖制图方法揭示了CNN在保留局部地面细节方面的主导地位，但在各种地形中仍然存在全局建模不足的问题。因此，我们在Paraformer中设计了一个并行的CNN-Transformer特征提取器，由一个无下采样的CNN分支和一个Transformer分支组成，以联合捕获局部和全局上下文信息。此外，针对训练数据的空间不匹配问题，采用伪标签辅助训练（PLAT）模块来合理细化低分辨率标签，用于高分辨率图像的弱监督语义分割。在两个大规模数据集上的实验表明，Paraformer在从低分辨率历史标签自动更新高分辨率土地覆盖图方面优于其他最先进的方法。
引用
@article{arxiv.2403.02746,
title = {Learning without Exact Guidance: Updating Large-scale High-resolution Land Cover Maps from Low-resolution Historical Labels},
author = {Zhuohong Li and Wei He and Jiepan Li and Fangxiao Lu and Hongyan Zhang},
journal= {arXiv preprint arXiv:2403.02746},
year = {2024}
}
备注
11 pages, 9 figures, accepted by CVPR 2024