基于深度学习语义分割模型的 Sentinel-1 影像广域土地覆盖制图
图像与视频处理
2021-03-24 v4 计算机视觉与模式识别
机器学习
摘要
土地覆盖制图对监测环境及理解人类活动对环境的影响至关重要。土地覆盖制图（即图像分割）的自动化方法大多使用需要启发式特征设计的传统机器学习。在自然图像上，深度学习在图像分割方面已超越传统机器学习方法。在遥感图像上，近期研究展示了特定深度学习模型在小尺度土地覆盖制图任务（如湿地复合体分类）中的成功应用。然而，现有模型中哪些是针对何种遥感任务的最佳候选尚不清晰。在本研究中，我们针对利用卫星雷达数据制图基础土地覆盖类别回答了该问题。我们采用用户可免费获取的 Sentinel-1 C 波段 SAR 图像作为代表性数据。以 CORINE 土地覆盖图作为参考，训练模型以区分 5 个主要 CORINE 类别。我们选取了七种最先进的语义分割模型，以覆盖多样化方法集：U-Net、DeepLabV3+、PSPNet、BiSeNet、SegNet、FC-DenseNet 和 FRRN-B。这些模型在 ImageNet 数据集上预训练，并在本研究中进一步微调。所有模型均表现出稳健性能，总体精度介于 87.9% 与 93.1% 之间，且具有良好至极好的一致性（kappa 统计量介于 0.75 与 0.86 之间）。两个最佳模型为 FC-DenseNet 和 SegNet，其中后者推理时间远小。总体而言，我们的结果表明语义分割模型适用于利用卫星 SAR 影像的高效广域制图，并提供了用以评估新提出模型的基线精度。
引用
@article{arxiv.1912.05067,
title = {Wide-Area Land Cover Mapping with Sentinel-1 Imagery using Deep Learning Semantic Segmentation Models},
author = {Sanja Šćepanović and Oleg Antropov and Pekka Laurila and Yrjö Rauste and Vladimir Ignatenko and Jaan Praks},
journal= {arXiv preprint arXiv:1912.05067},
year = {2021}
}