卫星图像用于土地覆盖制图的弱监督语义分割——挑战与机遇
计算机视觉与模式识别
2020-04-29 v2
摘要
全自动大规模土地覆盖制图属于遥感界关注的核心挑战。通常,该任务的基础由(监督式)机器学习模型构成。然而,尽管近期卫星观测的可用性有所增长,准确的训练数据仍相对稀缺。另一方面,众多全球土地覆盖产品存在且通常可免费获取。遗憾的是,这些地图的分辨率通常远低于现代卫星影像。此外,它们总带有显著噪声,因为它们不能被视为地面真值,而是先前(半)自动预测任务的产物。因此,本文主张应用弱监督学习策略以充分利用可用数据源,并在高分辨率大规模土地覆盖制图上取得进展。基于 SEN12MS 数据集讨论了挑战与机遇,并给出了一些基线结果。这些基线表明,针对遥感特有形式的弱监督而设计的专用方法仍有很大潜力。
引用
@article{arxiv.2002.08254,
title = {Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities},
author = {Michael Schmitt and Jonathan Prexl and Patrick Ebel and Lukas Liebel and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2002.08254},
year = {2020}
}
备注
8 pages, 7 figures