UB-FineNet：面向开放获取卫星影像的城市建筑细粒度分类网络
计算机视觉与模式识别
2024-03-05 v1
摘要
从卫星遥感影像中对城市尺度的建筑进行细分类是一个重要的研究领域，对城市规划、基础设施发展和人口分布分析具有深远意义。然而，由于高空星载平台获取的俯视影像分辨率较低，且细粒度城市建筑类别存在长尾样本分布，导致严重的类别不平衡问题，该任务面临巨大挑战。为了解决这些问题，我们提出了一种使用开放获取卫星影像进行城市建筑细粒度分类的深度网络方法。首先引入了一种基于去噪扩散概率模型（DDPM）的超分辨率方法来增强卫星影像的空间分辨率，该方法受益于领域自适应知识蒸馏。然后，提出了一种带有类别信息平衡模块（CIBM）和对比监督（CS）技术的新型细粒度分类网络，以缓解类别不平衡问题并提高分类的鲁棒性和准确性。在包含 11 种细粒度建筑类型的香港数据集上的实验显示出良好的分类结果，平均 Top-1 准确率达到 60.45%，与基于街景影像的方法相当。广泛的消融研究表明，与基线方法相比，CIBM 和 CS 分别将 Top-1 准确率提高了 2.6% 和 3.5%。并且这两个模块可以轻松插入其他分类网络中，并实现了类似的提升。我们的研究通过提供一种仅使用开放获取卫星影像在充满挑战的超大城市场景中进行建筑细分类的实用解决方案，为城市分析领域做出了贡献。所提出的方法可以作为城市规划者的宝贵工具，有助于理解经济、工业和人口分布。
引用
@article{arxiv.2403.02132,
title = {UB-FineNet: Urban Building Fine-grained Classification Network for Open-access Satellite Images},
author = {Zhiyi He and Wei Yao and Jie Shao and Puzuo Wang},
journal= {arXiv preprint arXiv:2403.02132},
year = {2024}
}