结合谱特征与多尺度深度网络的弱监督云检测
计算机视觉与模式识别
2026-03-06 v1
摘要
云层显著影响光学卫星图像的质量，严重限制了其精准应用。最近，深度学习广泛应用于云检测并取得满意的效果。然而，薄云特征不鲜明以及训练样本质量较低，限制了深度学习方法的云检测精度，仍有提升空间。本文提出一种结合谱特征和多尺度场景级深度网络的弱监督云检测方法（SpecMCD），以获得高精度的像素级云掩码。该方法首先利用多尺度场景级数据集构建渐进式训练框架，以训练多尺度场景级云检测网络。随后，结合多尺度概率图和云厚度图，基于云在密集云覆盖和大范围云区域图像中的特征，获得像素级云概率图。最后，基于不同尺度下场景级云掩码区域的差异性生成自适应阈值，并结合距离加权优化以获得二值化云掩码。本文使用两大数据集（WDCD和GF1MS-WHU），总计60幅高分辨率-1多光谱（GF1-MS）卫星图像，验证了所提方法的有效性。与WDCD和WSFNet等其他弱监督云检测方法相比，所提SpecMCD方法的F1分数提升了超过7.82%，凸显了SpecMCD方法在不同云覆盖条件下优越性和潜力。
引用
@article{arxiv.2510.00654,
title = {Weakly Supervised Cloud Detection Combining Spectral Features and Multi-Scale Deep Network},
author = {Shaocong Zhu and Zhiwei Li and Xinghua Li and Huanfeng Shen},
journal= {arXiv preprint arXiv:2510.00654},
year = {2026}
}