SyntEO：面向地球观测与深度学习的合成数据集生成——以海上风电场检测为例

随着近年来深度学习的兴起，地球观测研究出现了新机遇。然而，它们也带来了新挑战。深度学习模型的数据饥渴训练过程需要大型、资源昂贵的标注数据集，并在一定程度上取代了知识驱动方法，使模型行为与最终预测过程成为黑箱。所提SyntEO方法使地球观测研究者能够通过合并现有数据与程序化数据自动生成大型深度学习就绪数据集。SyntEO通过以高度结构化方式将专家知识纳入数据生成过程，利用本体控制自动图像与标签生成来实现这一点。以此方式，可建立完全可控的实验环境，支持对合成数据集上模型训练的洞察。因此，SyntEO使学习过程变得可接近，这是可解释机器学习的重要基石。我们通过预测Sentinel-1图像中两个全球最大海上风能生产站的海上风电场来演示SyntEO方法。生成的最大数据集有90,000个训练样本。一个仅在该合成数据上训练的基础卷积神经网络用于目标检测，可在挑战性环境中最小化误检并自信地检测海上风电场。此外，生成了四个顺序数据集，展示SyntEO方法如何精确定义数据集结构并影响训练过程。因此，SyntEO是一种在专家知识与数据驱动图像分析之间创建接口的混合型方法。