TorchGeo:基于地理空间数据的深度学习
计算机视觉与模式识别
2022-09-20 v4 机器学习
摘要
遥感地理空间数据对精准农业、城市规划、灾害监测与响应以及气候变化研究等应用至关重要。鉴于深度神经网络在类似计算机视觉任务中的成功以及海量遥感影像的可用,深度学习方法对建模许多遥感任务尤为前景广阔。然而,数据收集方法的差异与地理空间元数据的处理,使得深度学习方法应用于遥感数据并非易事。例如,卫星影像常包含红、绿、蓝之外的额外光谱波段,且必须与其他具有不同坐标系、边界与分辨率的地理空间数据源拼接。为助力实现深度学习在遥感应用中的潜力,我们引入 TorchGeo,一个将地理空间数据集成入 PyTorch 深度学习生态的 Python 库。TorchGeo 为多种基准数据集提供数据加载器、面向通用地理空间数据源的可组合数据集、地理空间数据采样器,以及适用于多光谱影像的变换。TorchGeo 也是首个为多光谱卫星影像(例如使用 Sentinel-2 卫星全部波段的模型)提供预训练模型的库,从而在标注数据有限的下游遥感任务上推进迁移学习。我们利用 TorchGeo 在现有数据集上创建可复现的基准结果,并对我们所提的地理空间影像即时预处理方法进行基准测试。TorchGeo 为开源软件,可从 GitHub 获取:https://github.com/microsoft/torchgeo。
引用
@article{arxiv.2111.08872,
title = {TorchGeo: Deep Learning With Geospatial Data},
author = {Adam J. Stewart and Caleb Robinson and Isaac A. Corley and Anthony Ortiz and Juan M. Lavista Ferres and Arindam Banerjee},
journal= {arXiv preprint arXiv:2111.08872},
year = {2022}
}