地形感知自监督学习：利用有限标注从LiDAR数据增强建筑足迹提取
计算机视觉与模式识别
2024-05-07 v2
摘要
从地理空间数据估算建筑足迹图在城市规划、开发、灾害管理及其他多种应用中至关重要。深度学习方法在建筑分割图中已获重视，有望实现无需大量后处理的精确足迹提取。然而，这些方法在泛化与标注效率上面临挑战，尤其在遥感中，获取准确标注可能既昂贵又耗时。为应对这些挑战，我们提出面向遥感的地形感知自监督学习，使用来自LiDAR数据的数字高程模型。我们提出学习一个模型以区分裸地与叠加结构，使网络能隐式学习领域相关特征，而无需大量像素级标注。我们通过在不同标注比例测试集上评估建筑分割性能来验证方法有效性。值得注意的是，仅用1%标注（相当于25个标注样本），我们的方法优于ImageNet预训练，显示出在遥感领域利用无标注数据进行特征提取的优势。性能提升在小样本场景下更显著，并随标注比例增加逐渐缩小与ImageNet预训练的差距。我们在一个具有显著分布偏移与标注错误的数据集上测试以证明方法的泛化性。与其他基线（包括ImageNet预训练和更复杂架构）相比，我们的方法始终表现更优，证明了自监督地形感知特征学习的效率与有效性。
引用
@article{arxiv.2311.01188,
title = {Terrain-Informed Self-Supervised Learning: Enhancing Building Footprint Extraction from LiDAR Data with Limited Annotations},
author = {Anuja Vats and David Völgyes and Martijn Vermeer and Marius Pedersen and Kiran Raja and Daniele S. M. Fantin and Jacob Alexander Hay},
journal= {arXiv preprint arXiv:2311.01188},
year = {2024}
}