基于多级特征融合CNN的Sentinel-2影像局部气候区分类：So2Sat LCZ42数据集上的基准结果
图像与视频处理
2020-05-19 v1 计算机视觉与模式识别
摘要
作为一种独特的城市形态与功能分类方案，局部气候区（LCZ）系统为任何与城市环境相关的研究（尤其是大尺度研究）提供了必要的基础信息。基于遥感数据的分类方法是对LCZ进行大尺度制图与监测的关键。尽管先进的卷积神经网络（CNN）不断推动各类计算机视觉任务的前沿，但基于深度学习方法的应用潜力尚未被充分挖掘。原因之一在于已发表的研究基于不同的数据集，通常处于区域尺度，这使得无法公平且一致地比较不同CNN在真实场景中的潜力。本研究基于专用于LCZ分类的大型So2Sat LCZ42基准数据集。利用该数据集，我们研究了一系列不同规模的CNN。此外，我们提出了一种从Sentinel-2影像分类LCZ的CNN，即Sen2LCZ-Net。基于该基础网络，我们提出使用扩展的Sen2LCZ-Net-MF融合多级特征。借助这一简洁的网络架构和极具竞争力的基准数据集，我们取得了优于当前最优（SOTA）CNN的结果，同时以更少的层数和参数需求降低了计算量。我们给出了完全未见区域的大尺度LCZ分类示例，展示了所提Sen2LCZ-Net-MF以及So2Sat LCZ42数据集的潜力。我们还深入研究了网络深度与宽度的影响，以及为Sen2LCZ-Net-MF所做设计选择的有效性。我们的工作将为未来基于CNN的LCZ分类及其他城市土地覆盖土地利用分类算法开发提供重要基线。
引用
@article{arxiv.2005.07983,
title = {Multi-level Feature Fusion-based CNN for Local Climate Zone Classification from Sentinel-2 Images: Benchmark Results on the So2Sat LCZ42 Dataset},
author = {Chunping Qiu and Xiaochong Tong and Michael Schmitt and Benjamin Bechtel and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2005.07983},
year = {2020}
}