用于土地覆盖分类的多模态遥感基准数据集及共享与特定特征学习模型
计算机视觉与模式识别
2021-05-24 v1
摘要
随着来自不同传感器的遥感（RS）数据大量且开放地获取，多模态数据处理与分析技术在RS和地球科学界引起日益增加的兴趣。然而，由于不同模态在成像传感器、分辨率和内容方面的差距，将其互补信息嵌入一致、紧凑、准确和判别性的表示在很大程度上仍具挑战性。为此，我们提出一种共享与特定特征学习（S2FL）模型。S2FL能够将多模态RS数据分解为模态共享和模态特定分量，从而更有效地实现多模态信息融合，尤其针对异构数据源。此外，为更好评估多模态基线和新提出的S2FL模型，我们发布并使用了三个多模态RS基准数据集，即Houston2013——高光谱与多光谱数据，Berlin——高光谱与合成孔径雷达（SAR）数据，Augsburg——高光谱、SAR和数字表面模型（DSM）数据，用于土地覆盖分类。在三个数据集上的大量实验证明了我们的S2FL模型相较于先前提出的最先进基线在土地覆盖分类任务中的优越性和先进性。此外，本文使用的基线代码和数据集将于https://github.com/danfenghong/ISPRS_S2FL免费提供。
引用
@article{arxiv.2105.10196,
title = {Multimodal Remote Sensing Benchmark Datasets for Land Cover Classification with A Shared and Specific Feature Learning Model},
author = {Danfeng Hong and Jingliang Hu and Jing Yao and Jocelyn Chanussot and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2105.10196},
year = {2021}
}