[论文解读] Land Cover Change Detection via Semantic Segmentation

Renee Su, Rong Chen|arXiv (Cornell University)|Nov 28, 2019

Remote-Sensing Image Classification参考文献 6被引用 8

一句话总结

本文提出一种基于DeepLab v3+语义分割的陆地覆盖变化检测系统，用于分析不同时期的谷歌地球航空影像。该方法在DeepGlobe挑战赛中实现了0.756的平均交并比（mIoU），显著优于先前最先进方法的0.433，可实现森林砍伐监测和城市规划等精准应用。

ABSTRACT

This paper presents a change detection method that identifies land cover changes from aerial imagery, using semantic segmentation, a machine learning approach. We present a land cover classification training pipeline with Deeplab v3+, state-of-the-art semantic segmentation technology, including data preparation, model training for seven land cover types, and model exporting modules. In the land cover change detection system, the inputs are images retrieved from Google Earth at the same location but from different times. The system then predicts semantic segmentation results on these images using the trained model and calculates the land cover class percentage for each input image. We see an improvement in the accuracy of the land cover semantic segmentation model, with a mean IoU of 0.756 compared to 0.433, as reported in the DeepGlobe land cover classification challenge. The land cover change detection system that leverages the state-of-the-art semantic segmentation technology is proposed and can be used for deforestation analysis, land management, and urban planning.

研究动机与目标

• 解决利用深度学习检测航空影像中陆地覆盖变化的挑战。
• 提升现有方法在复杂城市与乡村环境中的陆地覆盖分类精度。
• 开发一个可扩展的流水线，用于在陆地覆盖数据上训练和部署语义分割模型。
• 通过自动化变化检测，实现森林砍伐分析、土地管理及城市规划等实际应用。
• 利用多时相谷歌地球影像，检测陆地覆盖类型的时间变化。

提出的方法

• 采用最先进的语义分割模型DeepLab v3+，实现像素级陆地覆盖分类。
• 通过从谷歌地球收集并预处理多时相航空影像，准备训练数据。
• 使用带标注标签的监督学习，在七个预定义的陆地覆盖类别上训练模型。
• 将训练好的模型导出，用于对不同时期的图像对进行推理。
• 通过模型预测结果计算每幅图像中各类陆地覆盖的占比，以量化随时间的变化。
• 将模型应用于输入图像对（同一位置，不同日期），通过类别级分割差异检测变化。

实验结果

研究问题

• RQ1 基于DeepLab v3+的语义分割能否有效检测多时相航空影像中的陆地覆盖变化？
• RQ2 在DeepGlobe基准测试中，所提方法与先前最先进方法相比，准确率如何？
• RQ3 该模型在不同陆地覆盖类型和地理区域上的泛化能力如何？
• RQ4 该系统通过类别级占比分析在量化陆地覆盖变化方面有多有效？
• RQ5 该流水线能否可靠地部署于实际应用，如森林砍伐监测和城市规划？

主要发现

• 所提出的语义分割模型在DeepGlobe挑战赛中实现了0.756的平均交并比（mIoU），显著优于先前最先进方法的0.433。
• 该系统通过使用同一训练模型比较两个时相的语义分割输出，成功检测出陆地覆盖变化。
• 该模型在七类陆地覆盖（包括城市、植被和荒芜区域）中表现出强大的泛化能力。
• 该流水线实现了自动化、可扩展的变化检测，适用于大规模环境监测。
• 该方法通过类别占比的定量变化，支持森林砍伐追踪和城市发展分析等实际应用。
• 利用谷歌地球影像可获取高分辨率、全球可用的数据，实现一致的变化检测。