从不完全点标签与有限背景信息预测城市树木覆盖

城市内的树木对城市微气候十分重要，对城市居民身心健康有积极贡献。尽管重要，关于城市树木的信息往往有限。因此本文提出一种利用有限数据集与深度学习在高分辨率航拍影像中绘制城市树木的方法。深度学习已成为该任务的最佳实践，然而现有方法依赖大规模且精确标注的训练数据集，这类数据获取困难且昂贵。不过，常可获得噪声大且不完整的数据，可将其结合并利用以解决比这些数据集原本意图更困难的任务。本文研究如何将街道沿线城市树木的精确点标签与开放地理数据库中的众包标注相结合，以在遥感影像中勾绘城市树木，该任务即使对人而言也具挑战性。为此，我们使用全卷积神经网络对极高分辨率航拍影像进行语义分割。主要挑战在于我们的分割图标注稀疏且不完整。来自官方与众包数据的街道树木点标签周围的小区域被标记为正类（前景类）。街道、建筑等的众包标注定义背景类。由于树木数据不完整，我们引入掩码以避免类别混淆。我们在德国汉堡的实验表明，该系统能够生成不限于街道沿线树木的树木覆盖图，而无需提供树木勾绘。我们在人工标注树木上评估了该方法，并显示若不使用开放地理数据库，性能将急剧恶化。