基于U-Net模型的卫星影像分割用于土地覆盖分类
计算机视觉与模式识别
2020-03-09 v1 计算机与社会
摘要
本文的重点是使用具有改进U-Net结构的卷积机器学习模型，基于卫星影像创建土地覆盖分类制图。研究的目的是训练和测试用于自动土地覆盖制图的卷积模型，并评估其在提高土地覆盖制图精度和变化检测方面的可用性。为解决这些任务，作者准备了一个数据集，并训练了用于卫星图像土地覆盖分类和语义分割的机器学习模型。结果在三个不同的土地分类层级上进行了分析。BigEarthNet卫星图像档案作为两个主要数据集之一被选中用于本研究。这一新颖且近期的发布于2019年的数据集包含来自10个欧洲国家于2017年和2018年拍摄的Sentinel-2卫星照片。作为第二个数据集，作者构建了一个原始集合，包含一张Sentinel-2图像和爱沙尼亚的CORINE土地覆盖图。所开发的分类模型在具有43个可能图像标签的多类土地覆盖分类上显示出0.749的高总体F_1分数。该模型还突出了BigEarthNet数据集中的噪声数据，其中图像似乎具有不正确的标签。分割模型为基于Sentinel-2卫星图像生成自动土地覆盖制图提供了解决方案，并对森林、内陆水域和耕地等土地覆盖类别显示出高IoU分数。这些模型显示出提高现有土地分类图精度以及进行土地覆盖变化检测的能力。
引用
@article{arxiv.2003.02899,
title = {Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification},
author = {Priit Ulmas and Innar Liiv},
journal= {arXiv preprint arXiv:2003.02899},
year = {2020}
}
备注
Submitted to IEEE Access; 11 pages, 6 figures