并非每天都是晴天：基于合成云注入的深层地表覆盖分割鲁棒性评估
计算机视觉与模式识别
2025-10-06 v1
摘要
监督式深度学习地表覆盖语义分割（LCS）依赖于标记卫星数据。然而，大多数现有 Sentinel-2 数据集均为无云数据，这在云常年出现的热带地区限制了其实用性。为充分评估这一问题的影响，本文 developed 一种云注入算法，模拟逼真的云层覆盖，允许测试 Sentinel-1 雷达数据如何弥补因云层遮蔽的光学影像所造成的间隙。我们也解决了在深度网络中进行编码器下采样时丢失空间和/或光谱细节的问题。为缓解此损失，本文提出一种轻量级方法，将归一化差分指数（NDIs）注入最终解码层，使模型能够以最小的额外计算量保留关键空间特征。注入 NDIs 可提高 DFC2020 数据集上的地表覆盖分割性能，分别为 U-Net 和 DeepLabV3 在无云影像上提升 1.99% 和 2.78%。在云覆盖条件下，融合 Sentinel-1 数据相对于仅使用光学数据均实现显著性能提升，凸显了在挑战性大气场景下雷达-光学融合的有效性。
引用
@article{arxiv.2510.03006,
title = {Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources},
author = {Sara Mobsite and Renaud Hostache and Laure Berti Equille and Emmanuel Roux and Joris Guerin},
journal= {arXiv preprint arXiv:2510.03006},
year = {2025}
}