[论文解读] Large-scale Land Cover Classification in GaoFen-2 Satellite Imagery

Xinyi Tong, Qikai Lu+2 more|arXiv (Cornell University)|Jun 4, 2018

Remote-Sensing Image Classification被引用 4

一句话总结

本文提出了一种基于深度学习的陆地覆盖分类方法，结合多尺度图像块分类、分层分割和多尺度特征融合，用于大规模高分二号卫星影像。在新引入的包含150幅高分二号影像、涵盖多样化地理与时间条件的大规模数据集上，该方法实现了最先进水平的准确率（OA: 95.71%，Kappa: 0.9129）。

ABSTRACT

Many significant applications need land cover information of remote sensing images that are acquired from different areas and times, such as change detection and disaster monitoring. However, it is difficult to find a generic land cover classification scheme for different remote sensing images due to the spectral shift caused by diverse acquisition condition. In this paper, we develop a novel land cover classification method that can deal with large-scale data captured from widely distributed areas and different times. Additionally, we establish a large-scale land cover classification dataset consisting of 150 Gaofen-2 imageries as data support for model training and performance evaluation. Our experiments achieve outstanding classification accuracy compared with traditional methods.

研究动机与目标

• 解决由于不同遥感影像间光谱与空间可变性导致的陆地覆盖分类泛化能力差的问题。
• 开发一种鲁棒的分类方法，可在无需微调或人工调整的情况下，泛化于多样化获取条件（时间、位置、光照）下。
• 建立一个大规模、多样化且公开可用的陆地覆盖数据集（GID），以支持高分辨率遥感中深度学习模型的训练与评估。
• 通过整合多尺度空间上下文和基于分割的对象级特征与基于图像块的深度学习，提升分类准确率。

提出的方法

• 在从高分二号影像中提取的不同尺度（56×56、112×112、224×224像素）图像块上微调预训练的ResNet-50模型。
• 应用分层分割生成同质图像对象，并通过投票策略将分割结果与CNN分类结果融合。
• 通过聚合来自多个图像块尺度的分类概率，实现多尺度特征融合，以增强空间上下文信息和鲁棒性。
• 通过移除近红外波段并重新量化可见光波段至8位，对高分二号数据进行预处理，以确保输入深度模型的一致性。
• 使用投票机制融合分割图与基于图像块的分类输出，提升边界精度和对象一致性。
• 使用每类30,000个采样点的平衡采样策略，在120幅训练图像上训练模型，并在30幅未见图像上进行测试。

实验结果

研究问题

• RQ1 基于深度学习的分类方法是否能在无需微调的情况下，泛化于高分辨率遥感影像中多样化获取条件（时间、位置、光照）？
• RQ2 与单尺度方法相比，多尺度图像块分类在陆地覆盖分类准确率方面有何提升？
• RQ3 将基于分割的对象特征与深度学习预测结果融合，能在多大程度上提升分类性能？
• RQ4 大规模、多样化且公开可用的数据集（GID）是否能够支持最先进陆地覆盖分类模型的训练与评估？
• RQ5 所提出方法与传统方法（如SVM、RF结合手工特征）及商业软件（eCognition）相比，定量表现如何？

主要发现

• 所提出的多尺度深度学习方法实现了95.71%的总体准确率（OA）和0.9129的Kappa系数，显著优于传统方法。
• 在单尺度设置中，56×56图像块分类的准确率最高（OA: 94.94%），但多尺度融合进一步提升了性能。
• 多尺度预测的融合通过引入更广泛的空间上下文信息，提高了分类准确率，降低了对局部噪声和变异的敏感性。
• 与基线方法相比，如eCognition（OA: 74.87%）和SVM/RF结合手工特征（OA: 77.69%–84.75%），所提方法实现了显著更高的准确率。
• GID数据集覆盖超过70,000 km²，具有较高的类内多样性与较低的类间混淆，能够支持模型的稳健泛化与评估。
• 深度特征、分割结果与多尺度融合的结合显著提升了分类性能，尤其在草地和森林等复杂类别上表现突出。