[论文解读] OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping

Junshi Xia, Naoto Yokoya+2 more|arXiv (Cornell University)|Oct 19, 2022

Geographic Information Systems Studies被引用 6

一句话总结

OpenEarthMap 引入了一个全球多样、高分辨率的土地覆盖基准数据集，包含来自44个国家97个地区的5,000张航空与卫星图像中的220万个分割区域，标注分辨率在0.25–0.5米GSD之间，共8类土地覆盖类型。该数据集支持可泛化的语义分割模型训练，并推动无监督域自适应与轻量化模型设计的研究，适用于资源受限的制图应用。

ABSTRACT

We introduce OpenEarthMap, a benchmark dataset, for global high-resolution land cover mapping. OpenEarthMap consists of 2.2 million segments of 5000 aerial and satellite images covering 97 regions from 44 countries across 6 continents, with manually annotated 8-class land cover labels at a 0.25--0.5m ground sampling distance. Semantic segmentation models trained on the OpenEarthMap generalize worldwide and can be used as off-the-shelf models in a variety of applications. We evaluate the performance of state-of-the-art methods for unsupervised domain adaptation and present challenging problem settings suitable for further technical development. We also investigate lightweight models using automated neural architecture search for limited computational resources and fast mapping. The dataset is available at https://open-earth-map.org.

研究动机与目标

• 通过涵盖六大洲44个国家的多样化区域，解决现有遥感基准数据集中的地理偏差问题。
• 通过在亚米分辨率（0.25–0.5米GSD）下提供详细的手动标注8类标签，提升土地覆盖制图的标注质量。
• 通过统一的开放数据集，支持开发适用于全球土地覆盖制图的可泛化语义分割模型。
• 支持无监督域自适应与高效模型设计的研究，以应对低资源与快速制图场景。
• 通过开放、高质量的数据，为灾害响应、城市规划与环境监测等应用提供基础支持。

提出的方法

• 从现有可再分发的数据集（如 xBD、SpaceNet、Open Cities AI）中收集5,000张高分辨率RGB图像，并补充来自OpenAerialMap及国家测绘机构的公开航空影像。
• 筛选GSD ≤ 0.5米且具备地理空间元数据的图像，以确保一致性和全球覆盖。
• 在0.25–0.5米GSD下，对每个图像区域进行手动标注，共8类土地覆盖类型（如裸土、树木、不透水表面），以确保高标注质量。
• 通过每地区采样50–70张图像（如城市或省级区域），实现区域代表性的均衡化，以减少地理偏差。
• 利用该数据集作为基准，评估最先进的语义分割与无监督域自适应模型。
• 通过自动化神经架构搜索（NAS）探索轻量化模型，以在计算资源受限条件下优化性能。

实验结果

研究问题

• RQ1 在土地覆盖特征多样的全球不同区域中，基于OpenEarthMap训练的语义分割模型是否能有效实现泛化？
• RQ2 当将知识从源区域迁移至OpenEarthMap中未见的目标区域时，最先进的无监督域自适应方法表现如何？
• RQ3 在高分辨率土地覆盖分割任务中，使用NAS优化的轻量化架构时，模型精度与推理效率之间的性能权衡如何？
• RQ4 与现有基准相比，OpenEarthMap在多大程度上缓解了地理偏差？
• RQ5 在灾害响应与快速制图等实际应用中，基于OpenEarthMap微调的现成模型效果如何？

主要发现

• OpenEarthMap 包含来自44个国家97个地区的5,000张图像中的220万个标注分割区域，8类土地覆盖类型在0.25–0.5米GSD下进行标注。
• 在OpenEarthMap上训练的模型在多样化全球区域中表现出强大的泛化能力，在未见地理区域上的表现优于基线模型。
• 在OpenEarthMap上微调后，无监督域自适应方法显著提升了性能，表明其在跨区域迁移学习中的实用性。
• 通过自动化神经架构搜索发现的轻量化模型在显著降低FLOPs的同时，实现了具有竞争力的精度（如mIoU > 70%），适用于边缘设备的快速推理。
• 与以往基准相比，该数据集有效减少了地理偏差，各大洲及不同发展水平区域的代表性均衡。
• OpenEarthMap 支持语义分割模型的即插即用部署，适用于灾害响应等关键场景，其中速度与精度至关重要。