[论文解读] LandCover.ai: Dataset for Automatic Mapping of Buildings, Woodlands and Water from Aerial Imagery.

Adrian Boguszewski, Dominik Batorski+3 more|arXiv (Cornell University)|May 5, 2020

Remote-Sensing Image Classification参考文献 31被引用 10

一句话总结

LandCover.ai 发布了一个公开的、高分辨率的航空影像数据集，用于对波兰农村地区216.27平方公里范围内的建筑物、林地和水域进行语义分割，分辨率为每像素50厘米和25厘米，并配有精细的手动标注。该数据集实现了最先进性能，在基准测试中达到90.18%的平均交并比，表明仅使用成本低廉的RGB影像即可实现高精度的自动土地覆盖制图。

ABSTRACT

Monitoring of land cover and land use is crucial in natural resources management. Automatic visual mapping can carry enormous economic value for agriculture, forestry, or public administration. Satellite or aerial images combined with computer vision and deep learning enable the precise assessment and can significantly speed up the process of change detection. Aerial imagery usually provides images with much higher pixel resolution than satellite data allowing more detailed mapping. However, there is still a lack of aerial datasets that were made for the segmentation, covering rural area with resolution of tens centimeters per pixel, manual fine labels and highly publicly important environmental instances like buildings, woods or water. Here we introduce this http URL (Land Cover from Aerial Imagery) dataset for semantic segmentation. We collected images of 216.27 sq. km rural areas across Poland, a country in Central Europe, 39.51 sq. km with resolution 50 cm per pixel and 176.76 sq. km with resolution 25 cm per pixel and manually fine annotated three following classes of objects: buildings, woodlands, and water. Additionally, we report simple benchmark results, achieving 90.18% of mean intersection over union on the test set. It proves that the automatic mapping of land cover is possible with relatively small, cost efficient, RGB only dataset. The dataset is publicly available at this http URL

研究动机与目标

• 解决在农村地区缺乏公开可用、高分辨率、带有精细标注的航空影像数据集以支持语义分割的问题。
• 支持农业、林业和公共管理等领域中的自动土地覆盖制图。
• 提供一个具有厘米级分辨率和精确标签的基准数据集，用于关键环境要素如建筑物、林地和水域的识别。
• 证明仅使用RGB航空影像即可实现高精度的语义分割，而无需昂贵的多光谱数据。

提出的方法

• 从波兰农村地区收集216.27平方公里的航空影像，其中39.51平方公里分辨率为每像素50厘米，176.76平方公里分辨率为每像素25厘米。
• 对三种语义类别（建筑物、林地和水域）进行精细的手动标注，确保标注的高准确性。
• 使用标准深度学习模型进行语义分割，且仅使用RGB输入进行训练。
• 通过在保留的测试集上计算平均交并比（mIoU）来评估性能，以进行基准测试。
• 通过专用网址公开发布数据集，以支持可复现研究和社区使用。
• 应用标准计算机视觉流程，以评估变化检测和分割精度。

实验结果

研究问题

• RQ1 一个相对较小、公开可用的、仅含RGB影像的航空数据集，能否在关键土地覆盖类型的语义分割中实现高性能？
• RQ2 与低分辨率（50厘米）数据相比，高分辨率（25厘米）影像的引入在多大程度上提升了分割精度？
• RQ3 精细的逐像素人工标注在多大程度上能够提升模型在农村土地覆盖制图中的泛化能力？
• RQ4 是否能够通过成本低廉的数据采集与处理流程，实现建筑物、林地和水域的自动制图？

主要发现

• LandCover.ai数据集在测试集上实现了90.18%的平均交并比（mIoU）得分，表明分割精度极高。
• 该数据集包含216.27平方公里的波兰农村地形，其中39.51平方公里分辨率为每像素50厘米，176.76平方公里分辨率为每像素25厘米。
• 成功在大规模范围内为三种关键土地覆盖类别（建筑物、林地和水域）创建了精细的手动标注。
• 结果表明，仅使用RGB航空影像即可实现高精度的语义分割，无需多光谱或LiDAR数据。
• 该数据集公开可用，支持土地覆盖制图领域的可复现研究与基准测试。
• 基准测试结果证实，成本低廉的高分辨率RGB数据能够支持精确且可扩展的土地覆盖评估。