论三维表面信息对遥感分类任务的重要性
计算机视觉与模式识别
2021-07-29 v1 机器学习
摘要
基于主动或被动传感器数据以及多传感器组合 (Ma et al. (2019)) 的遥感机器学习应用激增。然而，尽管有此激增，关于三维表面信息对机器学习分类任务相对价值的研究仍相对较少。将三维表面信息添加到 RGB 影像中可为建筑物等语义类别提供关键的几何信息，从而改善样本外预测性能。在本文中，我们考察了使用与不使用三维归一化数字表面模型 (nDSM) 信息训练的全卷积神经网络 (FCNNs) 与支持向量机 (SVMs) 的样本内与样本外分类性能。我们使用来自国际摄影测量与遥感学会 (ISPRS) 2D 语义标注竞赛与美国特种作战司令部 (USSOCOM) Urban 3D Challenge 的多光谱影像评估分类性能。我们发现，为 RGB 分类器提供额外三维 nDSM 信息仅带来样本内分类性能的微小提升，表明对于给定分类任务仅光谱信息可能已足够。然而，我们观察到为这些 RGB 分类器提供额外 nDSM 信息带来了样本外预测性能的显著增益。具体而言，我们在 ISPRS 数据集上观察到样本外全类精度平均提升 14.4%，在 USSOCOM 数据集上观察到样本外 F1 分数平均提升 8.6%。此外，实验确立 nDSM 信息在面临训练样本稀缺的机器学习与分类场景中至关重要。
引用
@article{arxiv.2104.13969,
title = {On the Importance of 3D Surface Information for Remote Sensing Classification Tasks},
author = {Jan Petrich and Ryan Sander and Eliza Bradley and Adam Dawood and Shawn Hough},
journal= {arXiv preprint arXiv:2104.13969},
year = {2021}
}
备注
Accepted to CODATA Data Science Journal