面向人类聚居范围回归与局地气候分区分类的多任务学习
计算机视觉与模式识别
2024-10-30 v1 图像与视频处理
摘要
人类聚居范围(HSE)与局地气候分区(LCZ)地图均为重要数据源，例如用于可持续城市发展及城市热岛(UHI)研究。遥感(RS)与深度学习(DL)分类方法通过提供全球制图的潜力发挥着重要作用。然而，多数工作仅聚焦于两种方案之一，且通常限于特定尺度。这导致不必要的冗余，因为所学特征可被用于这两个相关任务。在本快报中，多任务学习(MTL)概念首次被引入HSE回归与LCZ分类。我们提出一种MTL框架并开发了端到端卷积神经网络(CNN)，其由用于共享特征学习的骨干网络、用于任务特定特征学习的注意力模块，以及用于平衡两任务的加权策略组成。我们进一步提出利用HSE预测作为LCZ分类的先验以提升精度。该MTL方法使用全球13个城市的Sentinel-2数据进行了广泛测试。结果表明该框架能为两项任务提供具竞争力的解决方案。
引用
@article{arxiv.2011.11452,
title = {Multi-task Learning for Human Settlement Extent Regression and Local Climate Zone Classification},
author = {Chunping Qiu and Lukas Liebel and Lloyd H. Hughes and Michael Schmitt and Marco Körner and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2011.11452},
year = {2024}
}
备注
This work has been accepted by IEEE GRSL for publication