用于Sentinel-2土地覆盖制图的多任务全局-局部OBIA-Mamba
计算机视觉与模式识别
2025-11-14 v1 机器学习
摘要
尽管基于Sentinel-2的土地利用与土地覆盖（LULC）分类对各种环境监测应用至关重要，但由于一些关键数据挑战（如空间异质性、上下文信息、光谱特征模糊性），这是一项非常困难的任务。本文提出了一种新颖的多任务全局-局部OBIA-Mamba（MSOM）用于增强Sentinel-2分类，并做出以下贡献。首先，设计了基于对象的图像分析（OBIA）Mamba模型（OBIA-Mamba），通过使用超像素作为Mamba token来减少冗余计算，同时不损失细粒度细节。其次，设计了全局-局部双分支卷积神经网络（CNN）-mamba架构，以联合建模局部空间细节和全局上下文信息。第三，设计了多任务优化框架，采用双重损失函数来平衡局部精度与全局一致性。所提出的方法在加拿大阿尔伯塔省的Sentinel-2影像上进行了测试，与几种先进的分类方法进行了比较，结果表明所提出的方法实现了更高的分类精度和比其他最先进方法更精细的细节。
引用
@article{arxiv.2511.10604,
title = {Multitask GLocal OBIA-Mamba for Sentinel-2 Landcover Mapping},
author = {Zack Dewis and Yimin Zhu and Zhengsen Xu and Mabel Heffring and Saeid Taleghanidoozdoozan and Kaylee Xiao and Motasem Alkayid and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2511.10604},
year = {2025}
}