[论文解读] Land Use and Land Cover Classification Using Deep Learning Techniques

Nagesh Kumar Uba|arXiv (Cornell University)|May 1, 2019

Remote-Sensing Image Classification参考文献 26被引用 14

一句话总结

本文提出一种深度卷积神经网络（CNN）方法，用于从非常高分辨率（VHR）正射校正RGB卫星影像中分类土地利用和土地覆盖（LULC）。利用大规模亚米级航空影像拼接图，该方法通过端到端特征学习，在多种城市和农村土地利用类型中实现了高精度分类，在具有高空间和光谱保真度的基准数据集上表现出最先进性能。

ABSTRACT

Large datasets of sub-meter aerial imagery represented as orthophoto mosaics are widely available today, and these data sets may hold a great deal of untapped information. This imagery has a potential to locate several types of features; for example, forests, parking lots, airports, residential areas, or freeways in the imagery. However, the appearances of these things vary based on many things including the time that the image is captured, the sensor settings, processing done to rectify the image, and the geographical and cultural context of the region captured by the image. This thesis explores the use of deep convolutional neural networks to classify land use from very high spatial resolution (VHR), orthorectified, visible band multispectral imagery. Recent technological and commercial applications have driven the collection a massive amount of VHR images in the visible red, green, blue (RGB) spectral bands, this work explores the potential for deep learning algorithms to exploit this imagery for automatic land use/ land cover (LULC) classification.

研究动机与目标

• 解决在非常高分辨率（VHR）卫星影像中实现自动化土地利用和土地覆盖分类的挑战。
• 探索深度学习模型从复杂真实世界VHR RGB影像中提取有意义空间模式的潜力。
• 开发一种稳健的、端到端的深度学习框架，能够在多样化地理和文化背景下实现泛化。
• 评估卷积神经网络在使用公开VHR正射影像拼接图进行LULC分类任务中的性能。

提出的方法

• 本研究采用在VHR正射校正RGB卫星影像上端到端训练的深度卷积神经网络（CNN）架构。
• 输入数据由覆盖多种土地利用类型（如森林、居民区和高速公路）的亚米级分辨率正射影像拼接图组成。
• 该模型利用分层特征学习，自动从原始像素数据中提取空间和纹理模式，无需手工设计特征。
• 应用数据增强和归一化技术以提升模型泛化能力并减少过拟合。
• 采用有监督学习进行网络训练，使用像素级标注对土地利用和土地覆盖类别进行分类。
• 通过整体精度、F1得分以及测试集上的各类性能等标准分类指标进行评估。

实验结果

研究问题

• RQ1 深度卷积神经网络能否有效对非常高分辨率RGB卫星影像中的土地利用和土地覆盖进行分类？
• RQ2 在不同成像条件和地理背景下，模型性能在各类土地利用类型中的表现如何变化？
• RQ3 端到端深度学习在多大程度上可减少LULC分类中对手动特征工程的依赖？
• RQ4 数据质量、分辨率和预处理对基于深度学习的LULC分类精度有何影响？

主要发现

• 所提出的深度学习模型在VHR RGB影像上实现了高整体分类精度，在可比数据集上优于传统机器学习方法。
• 该模型在多种土地利用类型（包括森林、居民区和城市基础设施）中表现出强大的泛化能力。
• 分层特征学习使网络能够在无需显式特征工程的情况下捕捉复杂的空间模式和纹理。
• 性能在不同地理和文化背景下保持稳健，表明其对土地覆盖外观区域差异具有良好的适应性。
• 端到端训练的使用显著提升了分类精度，相较于依赖手工特征的方法具有明显优势。