利用卷积和图网络实现无监督遥感标注工具
计算机视觉与模式识别
2026-01-28 v2
摘要
遥感成像的机器学习依赖于最新且准确的标签来进行模型训练和测试。标注遥感影像耗时且成本高昂，需要专家分析。以往的标注工具依赖于预标注数据进行训练，以便标注新的未见数据。在本工作中，我们定义了一个无监督流水线，用于在Sentinel-2卫星影像中查找和标注具有相似上下文和内容的地理区域。我们的方法通过利用卷积和图神经网络进行分割，以编码更鲁棒的特征空间用于图像比较，从而消除了先前方法的局限性。与先前方法不同，我们将图像分割成基于颜色和空间相似性分组的均匀像素区域。图神经网络用于聚合周围片段的信息，使得特征表示能够编码局部邻域，同时保留其自身的局部信息。这减少了标注工具中的异常值，允许用户在更精细的粒度上进行标注，并允许在编码空间内形成图像级别的旋转不变语义关系。我们的流水线实现了高上下文一致性，在上下文感知评估下，相似度得分为SSIM = 0.96和SAM = 0.21，展示了用于交互式标注的特征空间的鲁棒组织。
引用
@article{arxiv.2508.00506,
title = {Leveraging Convolutional and Graph Networks for an Unsupervised Remote Sensing Labelling Tool},
author = {Tulsi Patel and Mark W. Jones and Thomas Redfern},
journal= {arXiv preprint arXiv:2508.00506},
year = {2026}
}
备注
Accepted for Taylor and Francis, Annals of GIS * Video supplement demonstrating feature-space exploration and interactive labelling is available at: https://youtu.be/GZl1ebZJgEA and is archived at https://doi.org/10.5281/zenodo.16676591