使用深度学习技术进行土地利用和土地覆盖分类

支持高级土地覆盖分析：基于 Dynamic World 数据集的预测建模集成数据提取流水线

Enabling Advanced Land Cover Analytics: An Integrated Data Extraction Pipeline for Predictive Modeling with the Dynamic World Dataset

MIT Sloan School of Management and Operations Research Center（麻省理工学院斯隆管理学院和运筹学研究中心）；JP Morgan（摩根大通）

本文提出一个针对 Dynamic World 数据集的端到端数据提取与预处理流水线，解决了数据访问与处理缺乏标准化流程的问题，并通过构建性能优异的机器学习模型验证了其在城市化预测等下游任务中的有效性。

2025-07-14cs.CVcs.LGeess.IV

基于深度学习的回归和分类医学图像标志点自动定位

Deep Learning-Based Regression and Classification for Automatic Landmark Localization in Medical Images

University Medical Center Utrecht（乌得勒支大学医学中心）；Amsterdam UMC, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹医学中心）；University of Twente（特文特大学）；Wageningen University（瓦赫宁根大学）

在这项研究中，我们提出了一种快速，准确的方法来自动定位医学图像中的解剖标志。我们使用全卷积神经网络（FCNN）采用全局到局部定位方法。首先，全局FCNN通过分析图像块来定位多个地标，同时执行回归和分类。在回归中，确定从图像块的中心指向界标位置的位移向量。在分类中，建立了贴片中感兴趣的界标的存在。通过对预测的位移向量进行平均来获得全局地标位置，其中每个位移向量的贡献由其所指向的补丁的后验分类概率来加权。随后，对于用全局定位定位的每个界标，执行局部分析。专用FCNN通过以类似的方式分析局部子图像来细化全局地标位置，即通过同时执行回归和分类并组合结果。通过定位CCTA扫描中的8个解剖标志、嗅觉MR扫描中的2个标志和头影测量X线片中的19个标志进行评价。我们证明，该方法执行类似于第二个观察员，并能够本地化的标志，在一组不同的医学图像，不同的图像模态，图像维度，和解剖覆盖范围。

2020-07-10cs.CVeess.IVphysics.med-ph

联合SAR和多光谱土地覆盖分类的半监督学习

Semi-supervised learning for joint SAR and multispectral land cover classification

Politecnico di Torino（都灵理工大学）

半监督学习技术由于其构建有效模型的能力而越来越受欢迎，即使在标记数据稀缺的情况下也是如此。在本文中，我们提出了一个框架和具体任务的自我监督预训练的\textit{multichannel}模型，如多光谱和合成孔径雷达图像的融合。我们表明，所提出的自监督方法在学习与土地覆盖分类标签相关的特征方面非常有效。这是通过预训练任务的明确设计实现的，该任务促进弥合感测模态和利用输入的光谱特性之间的差距。在半监督设置中，当有限的标签可用时，使用所提出的自监督预训练，然后使用SAR和多光谱数据对土地覆盖分类进行监督微调，优于传统方法，如纯监督学习，ImageNet训练初始化和其他最近的自监督方法。

2022-07-28cs.CVeess.IV

混合预处理遥感影像土地利用/土地覆被分类--基于人类群体的粒子群优化算法和LSTM分类器

Land Use and Land Cover Classification using a Human Group based Particle Swarm Optimization Algorithm with a LSTM classifier on hybrid-pre-processing Remote Sensing Images

SRM TRP Engineering College（SRM TRP工程学院）；University of Sannio（萨尼奥大学）；GSSS Institute of Engineering and Technology for Women（GSSS女子工程技术学院）

利用遥感影像进行土地利用/土地覆盖分类在环境建模和土地利用现状调查中起着重要作用。在这项研究中，提出了一种混合特征优化算法以及深度学习分类器，以提高LULC分类的性能，帮助预测野生动物栖息地，环境质量恶化，偶然性等。在对遥感图像进行选择后，采用归一化和直方图均衡化方法来提高图像质量。然后，利用局部Gabor二值模式直方图序列（LGBPHS）、方向梯度直方图（HOG）和Haralick纹理特征进行混合优化，从所选图像中提取特征。这种混合优化的好处是对彩色和灰度图像的高分辨力和不变性。其次，基于人类群体的粒子群优化（PSO）算法被应用于选择最佳的功能，其优点是收敛速度快，易于实现。在选择最佳特征值之后，利用长短期记忆（LSTM）网络对LULC类进行分类。实验结果表明，基于人类群体的PSO算法与LSTM分类器有效区分土地利用和土地覆盖类在分类准确率，召回率和精度。当应用所提出的方法时，与现有的GoogleNet，VGG，AlexNet，ConvNet模型相比，准确率提高了2.56%。

2020-11-07cs.CVeess.IV

ISLAND：利用土地覆盖插值地表温度

ISLAND: Interpolating Land Surface Temperature using land cover

本文提出名为ISLAND的新方法，利用土地覆盖数据集和Landsat 8 LST图像，通过土地覆盖类别感知的距离加权时空滤波器插值去除云遮挡，实现了稳健的高时空分辨率LST重建，并提供了20个美国城市的公开数据集。

2024-08-29eess.IV

超高分辨率遥感光学影像土地覆盖分类研究进展--分析单元、模型可扩展性和可移植性

A Review of Landcover Classification with Very-High Resolution Remotely Sensed Optical Images-Analysis Unit,Model Scalability and Transferability

The Ohio State University（俄亥俄州立大学）；Michigan Technological University（密歇根理工大学）

土地覆盖分类作为遥感的一个重要应用，一直是超高分辨率遥感图像分析中最具挑战性的任务之一。随着越来越多的基于深度学习（DL）的土地覆盖方法和训练策略被认为是最先进的，土地覆盖制图方法已经支离破碎的技术格局变得更加复杂。虽然有大量的文献综述工作试图指导研究人员对土地覆盖制图方法做出明智的选择，但这些文章要么专注于特定领域的应用综述，要么围绕一般的深度学习模型，缺乏对不断发展的土地覆盖制图方法的系统观点。此外，在数据驱动方法占主导地位的时代，与训练样本和模型可移植性有关的问题变得比以往任何时候都更加重要，但这些问题在以前关于遥感分类的评论文章中的讨论程度较低。因此，本文从土地覆盖制图任务的学习方法和不同的基本分析单元出发，对现有方法进行了系统的概述，并从遥感分类的可扩展性和可移植性的三个方面提出了挑战和解决方案，包括（1）数据的稀疏性和不平衡性，（2）不同地理区域之间的领域差距，（3）遥感分类的可扩展性和可移植性。（3）多源多视融合。我们详细讨论了这些分类方法中的每一种，并在这些发展中得出结论性意见，并为继续努力提出潜在的方向。

2022-02-07cs.CVeess.IV

使用Sentinel-1/-2图像进行自监督SAR-光学数据融合和土地覆盖制图

Self-supervised SAR-optical Data Fusion and Land-cover Mapping using Sentinel-1/-2 Images

由大量未标记的多传感器数据（例如，合成孔径雷达（SAR）和光学图像）是遥感领域的一个重要课题。最近，对比学习方法在从多视图数据中获得有意义的特征表示方面取得了显着的成功。然而，这些方法仅关注图像级特征，这可能无法满足密集预测任务（如土地覆盖制图）的要求。在这项工作中，我们提出了一个自监督的SAR光学数据融合和土地覆盖测绘任务的框架。分别在图像级和超像素级利用多视角对比度损失进行SAR图像和光学图像的前、中、后融合。对于土地覆盖映射任务，我们通过联合使用图像本身的预训练特征和光谱信息为每个像素分配一个土地覆盖类。实验结果表明，该方法达到了相当的准确性，并降低了图像级对比学习方法的特征维数。在三种融合方式中，中间融合策略的性能最好。像素级融合方法和光谱指数的组合导致土地覆盖制图任务的进一步改进，相对于图像级融合方法，特别是与一些伪标签。

2021-10-08eess.IV

超分辨率卷积神经网络对中分辨率卫星图像土地覆盖分类的增强能力

Effectivity of super resolution convolutional neural network for the enhancement of land cover classification from medium resolution satellite images

Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）

在现代世界，卫星图像在森林管理和退化监测方面发挥着关键作用。为了精确地量化森林土地覆盖的变化，必须提供空间上高分辨率的数据。自1972年以来，美国航天局的大地卫星卫星提供了覆盖地球每一个角落的地面图象，这些图象已被证明是分析地面变化的非常有用的资源，并已被用于许多其他部门。然而，可免费获得的卫星图像一般都是中低分辨率的，这是影响分析准确性的一个主要障碍。因此，我们进行了全面的研究，以证明我们的观点，提高分辨率的超分辨率卷积神经网络（SRCNN）将减少误分类的像素的机会，即使在既定的识别方法。我们测试了该方法对原始LANDSAT-7图像的不同地区的孙德尔本斯和他们的放大版本，分别由双线性插值，双三次插值，和SRCNN和它被发现，SRCNN优于其他显着的量。

2022-07-05cs.CVcs.CYeess.IV

利用金字塔关注和门控融合网络进行遥感图像多模态土地覆盖制图

Multi-modal land cover mapping of remote sensing images using pyramid attention and gated fusion networks

Centre for Research-based Innovation Visual Intelligence（可视化研究型创新中心）

多模态数据在遥感中越来越容易获得，并可提供关于地球表面的补充信息。因此，多模态信息的有效融合对于RS中的各种应用非常重要，但由于大的域差异、噪声和冗余，也非常具有挑战性。缺乏有效的和可扩展的融合技术，桥接多模态编码器和充分利用互补信息。为此，我们提出了一种新的多模态网络（MultiModNet）的多模态遥感数据的土地覆盖映射的基础上一种新的金字塔关注融合（PAF）模块和门控融合单元（GFU）。PAF模块被设计为有效地从每个模态中获得丰富的细粒度上下文表示，具有内置的跨级别和跨视图注意力融合机制，并且GFU模块利用新颖的门控机制进行特征的早期合并，从而减少隐藏的冗余和噪声。这使得补充模态能够有效地提取最有价值的和补充的信息，用于后期特征融合。在两个具有代表性的RS基准数据集上的大量实验表明了MultiModNet在多模态土地覆盖分类中的有效性、鲁棒性和优越性。

2021-11-06cs.CVeess.IV

OpenEarthMap-SAR：用于全球高分辨率土地覆盖制图的基准合成孔径雷达数据集

OpenEarthMap-SAR: A Benchmark Synthetic Aperture Radar Dataset for Global High-Resolution Land Cover Mapping

RIKEN Center for Advanced Intelligence Project (AIP), RIKEN（理化学研究所先进智能中心（AIP），理化学研究所）；Graduate School of Frontier Sciences, The University of Tokyo（东京大学前沿科学研究生院）

针对SAR影像缺乏基准数据集的问题，提出OpenEarthMap-SAR，一个包含150万片段、覆盖多国区域的高分辨率土地覆盖制图基准数据集，并评估了最先进语义分割方法。

2025-01-22cs.AIcs.CVeess.IV

BELDE：构建欧洲大规模对地观测土地覆盖数据集

BELDE: Building a Large-scale Earth-observation Land-cover Dataset for Europe

Graduate School of Informatics, Middle East Technical University（中东技术大学信息学研究生院）

针对现有土地覆盖数据集在规模、地理覆盖和公开性上的不足，提出基于Sentinel-2真彩色影像和ESA WorldCover标注的欧洲大规模RGB土地覆盖分割数据集BELDE，含108万+图像-分割图对，覆盖7类地物，并建立跨域泛化基准。

2026-06-23cs.AIcs.CVeess.IV

FLAIR #1：语义分割与域适应数据集

FLAIR #1: semantic segmentation and domain adaptation dataset

Institut national de l’information géographique et forestière (IGN)（法国国家地理与林业信息研究所（IGN））

本文介绍FLAIR-one数据集，用于高分辨率航空影像语义分割与域适应，以支撑法国全国土地覆盖参考图OCS-GE的制作。

2023-04-19cs.CVeess.IV

基于低成本解决方案和开放获取数据的全国1米分辨率土地覆盖制图

National-scale 1-m resolution land-cover mapping for the entire China based on a low-cost solution and open-access data

Wuhan University（武汉大学）

目前，许多大比例尺的土地覆盖（LC）产品已经发布，但目前的LC产品，中国要么缺乏良好的分辨率或全国范围内的覆盖。随着中国城市化进程的加快，迫切需要建立一幅适合中国国情的极高分辨率（VHR）土地利用图。在这项研究中，一个新的1米分辨率的中国LC地图覆盖$9,600,000 km^2$，称为SinoLC-1，通过使用深度学习框架和多源开放获取数据。为了有效地生成VHR国家级LC地图，首先，从三个10-m LC产品和开放街道地图数据中收集可靠的LC标签。其次，在拟议的从低到高（L2 H）培训框架中利用了收集的10米标签和1米谷歌地球图像。L2 H框架通过弱策略和自监督策略，解决了训练对之间分辨率不匹配带来的标签噪声，并产生VHR结果。最后，我们将SinoLC-1与五个广泛使用的产品进行了比较，并使用包含10，6852个点的样本集和政府统计报告进行了验证。结果显示SinoLC-1的OA为74%，Kappa为0.65。此外，作为中国第一幅1米国家尺度的LC图，SinoLC-1显示了总体上可接受的结果，具有最精细的景观细节。

2023-03-09cs.CVeess.IV

基于子空间的高光谱与多光谱影像特征融合土地覆盖分类

Subspace-Based Feature Fusion From Hyperspectral And Multispectral Image For Land Cover Classification

Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）；Universidad Industrial de Santander（桑坦德工业大学）

在遥感中，高光谱（HS）和多光谱（MS）图像融合已成为一种综合工具，以提高数据集的分辨率。然而，传统的图像融合方法通常会降低土地覆盖分类的性能。本文提出了一种基于像素分类的HS和MS图像特征融合方法。更准确地说，所提出的方法首先提取空间特征的MS图像使用形态学配置文件。然后，特征融合模型假设提取的形态轮廓和HS图像可以被描述为位于不同子空间的特征矩阵。提出了一种基于交替优化（AO）和交替方向乘子法（ADMM）相结合的特征融合算法。最后，广泛的模拟运行，以评估所提出的特征融合方法的性能为两个数据集。在一般情况下，所提出的方法表现出竞争力的性能相比，其他特征提取方法。

2022-04-03cs.CVeess.IV