场景到地块的地球观测：面向土地覆盖分类的多示例学习
计算机视觉与模式识别
2022-11-16 v1 机器学习
摘要
土地覆盖分类（LCC）以及监测土地利用随时间的变化，是减缓与适应气候变化中的重要环节。现有利用机器学习结合地球观测数据进行 LCC 的方法依赖于完全标注且已分割的数据集。构建这些数据集需要大量人力，而合适数据集的匮乏已成为扩大 LCC 应用规模的障碍。在本研究中，我们提出 Scene-to-Patch 模型：一种利用多示例学习（MIL）的替代性 LCC 方法，仅需高层级场景标签。这能大幅加快新数据集的构建，同时通过地块级预测提供分割，最终提升在不同场景中应用 LCC 的可及性。在 DeepGlobe-LCC 数据集上，我们的方法在场景级与地块级预测上均优于非 MIL 基线。本工作为在技术、政府与学术界中扩展 LCC 于气候变化减缓方法中的使用奠定了基础。
引用
@article{arxiv.2211.08247,
title = {Scene-to-Patch Earth Observation: Multiple Instance Learning for Land Cover Classification},
author = {Joseph Early and Ying-Jung Deweese and Christine Evers and Sarvapali Ramchurn},
journal= {arXiv preprint arXiv:2211.08247},
year = {2022}
}
备注
14 pages total (4 main content; 2 acknowledgments + citations; 8 appendices); 8 figures (2 main; 6 appendix); published at "Tackling Climate Change with Machine Learning: Workshop at NeurIPS 2022"