利用卷积网络与卫星影像大规模识别城市环境模式

城市规划应用（能源审计、投资等）需要理解建成基础设施及其环境，即既包括低级物理特征（植被量、建筑面积与几何形状等），也包括高级概念如土地利用类别（编码了社会经济最终用途的专家理解）。这类数据获取昂贵且劳动密集，限制了其可用性（尤其在发展中国家）。我们利用大规模卫星影像数据（可从第三方供应商全球获取）和基于深度卷积神经网络的最先进计算机视觉技术，分析城市社区中的土地利用模式。对于监督，鉴于遥感数据标准基准的有限可用性，我们从开源调查中仔细采样获得真实土地利用类别标签，特别是跨越 $~300$ 个欧洲城市的 $20$ 个土地利用类别的 Urban Atlas 土地分类数据集。我们使用这些数据来训练并比较最近在标准计算机视觉任务（图像分类与分割）上表现出良好性能的深度架构，包括地理空间数据上的表现。此外，我们展示了从城市环境卫星影像提取的深度表示可用于比较多个城市间的社区。我们提供我们的数据集供其他机器学习研究者用于遥感应用。