Towards Fine-grained Image Classification with Generative Adversarial Networks and Facial Landmark Detection
University of Mohaghegh Ardabili（莫哈格·阿尔达比勒大学）
细粒度分类仍然是一项具有挑战性的任务，因为区分类别需要学习复杂性和局部差异。图像中对象的姿态、比例和位置的多样性使得问题变得更加困难。虽然最新的视觉Transformer型号实现了高性能，但它们需要大量的输入数据。为了解决这个问题，我们充分利用了基于GAN的数据增强来生成额外的数据集实例。Oxford-IIIT Pets是我们选择用于该实验的数据集。它由37种猫和狗组成，在规模，姿势和照明方面存在差异，这加剧了分类任务的难度。此外，我们增强了最近的生成对抗网络（GAN）StyleGAN 2-ADA模型的性能，以生成更逼真的图像，同时防止过度拟合训练集。我们通过训练定制版本的MobileNetV 2来预测动物面部标志，然后相应地裁剪图像。最后，我们将合成图像与原始数据集相结合，并将我们提出的方法与标准GANs增强和没有增强的训练数据的不同子集进行了比较。我们通过评估最近的视觉Transformer（ViT）模型上的细粒度图像分类的准确性来验证我们的工作。
2021-08-28 cs.CV
Land Cover Change Detection via Semantic Segmentation
Henry M. Gunn High School（亨利·M·冈恩高中）；Rutgers University（罗格斯大学）
本文提出了一种利用机器学习方法中的语义分割从航空影像中识别土地覆盖变化的变化检测方法。我们使用Deeplab v3+和最先进的语义分割技术构建了一个土地覆盖分类训练管道，包括数据准备、七种土地覆盖类型的模型训练和模型导出模块。在土地覆被变化探测系统中，输入的是从谷歌地球在同一地点但不同时间检索的图像。然后，系统使用训练的模型预测这些图像上的语义分割结果，并计算每个输入图像的土地覆盖类百分比。我们看到土地覆盖语义分割模型的准确性有所提高，平均IoU为0.756，而DeepGlobe土地覆盖分类挑战中报告的为0.433。土地覆盖变化检测系统，利用国家的最先进的语义分割技术的建议，可用于森林砍伐分析，土地管理和城市规划。
2019-11-28 cs.CV
Tropical Land Use Land Cover Mapping in Pará (Brazil) using Discriminative Markov Random Fields and Multi-temporal TerraSAR-X Data
Freie Universität Berlin（柏林自由大学）；Rheinische Friedrich-Wilhelms-Universität Bonn（波恩莱茵弗里德里希·威廉大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
遥感卫星数据通过提供空间上明确的信息，为绘制土地使用、土地覆盖变化图提供了独特的可能性。然而，检测短期过程和土地利用模式的高时空变异性是一项具有挑战性的任务。我们提出了一个新的框架，使用多时相TerraSAR-X数据和机器学习技术，即判别马尔可夫随机场与时空先验，进口向量机，以推进映射的土地覆盖特征的短期变化。我们的研究区域涵盖了巴西帕拉州目前的森林砍伐前沿，土地覆盖主要是原始森林，不同类型的牧场和次生植被，土地利用主要是短期过程，如刀耕火种活动。该数据集包括2014年旱季期间获得的多时相TerraSAR-X图像，以及供参考的光学数据（RapidEye，Landsat）。结果表明，土地利用土地覆盖是可靠的映射，导致空间调整的整体精度高达$79\%$在五个级别的设置，但不同的牧场类型的分化的限制仍然存在。该方法适用于多时相数据集，并构成了一个可行的方法来映射土地利用土地覆盖在受高频率的时间变化的区域。
2017-09-22 cs.CV
Large-scale Land Cover Classification in GaoFen-2 Satellite Imagery
Wuhan University（武汉大学）
在变化检测、灾害监测等重要应用中，需要获取不同时间、不同区域的遥感图像的土地覆盖信息。然而，由于不同的获取条件所导致的光谱漂移，很难为不同的遥感图像找到一个通用的土地覆盖分类方案。在本文中，我们开发了一种新的土地覆盖分类方法，可以处理从广泛分布的地区和不同的时间捕获的大规模数据。此外，我们建立了一个大规模的土地覆盖分类数据集，包括150高分二号影像作为数据支持的模型训练和性能评估。我们的实验取得了突出的分类精度与传统的方法相比。
2018-06-04 cs.CV
Learning to Map Nearly Anything
University of Kentucky（肯塔基大学）
从上方观察世界，可以估计给定位置的许多属性，包括土地覆盖类型和预期的土地利用。从历史上看，由于难以获得细粒度的注释，这些任务依赖于相对粗粒度的类别。在这项工作中，我们提出了一个易于扩展的方法，使人们有可能估计细粒度的属性从开销图像。特别是，我们提出了一个跨模态蒸馏策略来学习从头顶图像预测细粒度属性的分布，而不需要任何手动注释的头顶图像。我们表明，我们学习的模型可以直接用于映射和图像定位的应用程序。
2019-09-16 cs.CV
Dense Fusion Classmate Network for Land Cover Classification
Harbin Institute of Technology（哈尔滨工业大学）；SenseTime Group Limited（商汤科技有限公司）
近年来，基于模糊认知网络的方法在语义分割方面取得了很大的进展。与普通场景不同，卫星图像具有特定的特征，这些特征的元素总是延伸到很大的范围，没有规则或清晰的边界。因此，有效的中间层结构信息极度缺失，精确的像素级分类成为难题。本文提出了一种用于土地覆盖分类的密集融合分类网络（Dense Fusion Classmate Network，DFCNet）。
2019-11-19 cs.CV
Uncertainty Gated Network for Land Cover Segmentation
University of Barcelona（巴塞罗那大学）
制作描绘土地覆盖的专题地图是遥感最常见的应用之一。为此，在文献中已经提出了几种基于深度学习的语义分割方法，但是由于与遥感成像相关的一些特定问题，土地覆盖分割仍然被认为是一个开放的问题。在本文中，我们提出了一种新的方法来处理不同的土地覆盖类别的像素周围的多尺度上下文建模的问题。该方法利用计算的异方差测量的不确定性时，在图像中的单个像素进行分类。该分类不确定性度量用于定义层之间的一组存储器门，其允许原则性方法为每个像素选择最佳决策。
2018-05-29 cs.CV
Fine-Grained Land Use Classification at the City Scale Using Ground-Level Images
University of California, Merced（加州大学默塞德分校）
我们使用地面图像在城市尺度上进行细粒度的土地利用制图。绘制土地使用图比绘制土地覆盖图困难得多，一般不可能使用俯拍图像，因为它需要近距离观察和查看建筑物内部。我们假设，越来越多的地理参考，地面图像的集合提出了一种替代方法，这个地理知识发现问题。我们开发了一个通用的框架，使用Flickr图像映射45个不同的土地利用类的旧金山市。单个图像分类使用一种新的卷积神经网络包含两个流，一个用于识别对象，另一个用于识别场景。该网络直接在标记的训练图像上以端到端的方式进行训练。我们提出了几种策略来克服我们的用户生成的数据的噪声，包括基于搜索的训练集增强和在线自适应训练。为了评估我们的方法，我们推导出旧金山的地面实况地图。我们证明了我们的方法，通过地理可视化和定量分析的有效性。我们的框架在单个地块级别实现了超过29%的召回率，这代表了具有挑战性的45路土地利用分类问题的强大基线，特别是考虑到图像数据的噪声。
2018-02-07 cs.CV cs.IR cs.MM
Land-Cover Classification with High-Resolution Remote Sensing Images Using Transferable Deep Models
Wuhan University（武汉大学）；Chinese Academy of Sciences（中国科学院）；China Land Survey and Planning Institute（中国国土勘测规划院）
近年来，大量的高空间分辨率遥感影像可用于土地覆盖制图。然而，由于空间分辨率的提高所带来的信息复杂性以及不同获取条件所带来的数据干扰，往往难以找到一种有效的方法对高分辨率、异构的遥感图像进行精确的土地覆盖分类。在本文中，我们提出了一种方案，应用深度模型从标记的土地覆盖数据集分类未标记的HRRS图像。主要思想是依靠深度神经网络来呈现不同类型土地覆盖中包含的上下文信息，并提出一种伪标记和样本选择方案来提高深度模型的可移植性。更准确地说，深度卷积神经网络首先使用注释良好的土地覆盖数据集（称为源数据）进行预训练。然后，给定没有标签的目标图像，利用预先训练的CNN模型以分块方式对图像进行分类。具有高置信度的块被分配有伪标签，并被用作从源数据中检索相关样本的查询。与检索结果确认的伪标签被视为监督信息，用于微调预训练的深度模型。为了获得与目标图像像素明智的土地覆盖分类，我们依赖于微调的CNN，并开发了一个混合分类相结合的块式分类和分层分割。此外，我们创建了一个包含150个高分二号卫星图像的大规模土地覆盖数据集，用于CNN预训练。在多源高分辨率遥感影像上的实验结果表明了该方法的有效性。
2022-04-22 cs.CV
LC4-DViT: Land-cover Creation for Land-cover Classification with Deformable Vision Transformer
HKUST（香港科技大学）；SSE, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）电子工程系）；JHU（约翰·霍普金斯大学）；NUS（新加坡国立大学）；MUST（慕斯大学）
本文提出LC4-DViT框架，结合生成数据创建与变形感知视觉Transformer，提升高分辨率土地覆盖制图精度，优于基线模型和传统网络。
2026-05-07 cs.CV
Combining Sentinel-1 and Sentinel-2 Time Series via RNN for object-based land cover classification
IRSTEA（法国国家农业、食品与环境研究院）；University of Montpellier（蒙彼利埃大学）
雷达和光学卫星图像时间序列是通常用于监测地球表面的信息来源，用于与生态、农业、流动性、土地管理规划和土地覆盖监测有关的任务。许多研究已经使用这两种来源之一进行，但如何巧妙地结合雷达和光学SITS提供的互补信息仍然是一个开放的挑战。在这种情况下，我们提出了一个新的神经架构的组合哨兵-1（S1）和哨兵-2（S2）图像在对象级别，应用于现实世界的土地覆盖分类任务。在法国在印度洋的海外省留尼汪岛进行的实验证明了我们建议的重要性。
2018-12-13 cs.CV
Improving land cover segmentation across satellites using domain adaptation
土地利用和土地覆盖物制图对于包括林业、农业和城市管理在内的各个研究领域都是必不可少的。使用地球观测卫星既方便又加速了这项任务。最近，深度学习方法已被证明在通过语义图像分割自动化映射方面非常出色。然而，由于深度神经网络需要大量的标记数据，因此要充分利用卫星图像的潜力并不容易。此外，土地覆被往往在外观上从一个区域到另一个区域不同;因此，从一个位置标记数据并不一定有助于映射其他位置。此外，卫星图像有各种多光谱波段（波段范围从RGB到12个以上波段）。在本文中，我们的目标是使用领域自适应来解决上述问题。我们在使用Sentinel-2、WorldView-2和Pleiades-1卫星的RGB图像构建的数据集上应用了性能良好的领域自适应方法，并将Corine土地覆盖作为地面实况标签。我们还使用了DeepGlobe土地覆盖数据集。实验表明，在不使用领域自适应的情况下获得的结果显着改善。在某些情况下，改善超过20% MIoU。有时，它甚至设法纠正地面实况标签中的错误。
2020-04-01 cs.CV
LoveDA: A Remote Sensing Land-Cover Dataset for Domain Adaptive Semantic Segmentation
Wuhan University（武汉大学）
深度学习方法在遥感高空间分辨率（HSR）土地覆盖制图中显示出有希望的结果。然而，城市和农村场景可以显示完全不同的地理景观，这些算法的泛化能力不足阻碍了城市级或国家级的制图。现有的HSR土地覆盖数据集大多侧重于学习语义表示的研究，而忽略了模型的可移植性。在本文中，我们引入了Land-cOVEr域自适应语义分割（LoveDA）数据集，以推进语义和可转移学习。LoveDA数据集包含来自三个不同城市的5987张HSR图像和166768个注释对象。与现有数据集相比，LoveDA数据集包含两个域（城市和农村），这带来了相当大的挑战，因为：1）多尺度对象; 2）复杂的背景样本; 3）不一致的类分布。LoveDA数据集适用于土地覆盖语义分割和无监督领域自适应（UDA）任务。因此，我们在11种语义分割方法和8种UDA方法上对LoveDA数据集进行了基准测试。为了应对这些挑战，还进行了一些探索性研究，包括多尺度架构和策略，额外的背景监督和伪标签分析。代码和数据可在https://github.com/Junjue-Wang/LoveDA上获得。
2022-05-31 cs.CV
Confidence-Guided Semi-supervised Learning in Land Cover Classification
Cardiff University（卡迪夫大学）
本文提出置信度引导半监督学习方法CGSSL，通过利用高置信度伪标签并引入多网络架构提升伪标签多样性，在Potsdam土地覆盖分类基准上超越经典半监督和全监督方法。
2023-05-30 cs.CV
Generating Vision-Language Navigation Instructions Incorporated Fine-Grained Alignment Annotations
Defense Innovation Institute, Chinese Academy of Military Science（国防科技研究院，中国军事科学院）；Tianjin Artificial Intelligence Innovation Center（天津人工智能创新中心）；School of Mechanical Engineering, Tianjin University（天津大学机械工程学院）
针对 VLN 缺乏细粒度跨模态标注的问题，提出 FCA-NIG 自动构建 FCA-R2R 数据集，提升多个智能体的导航性能与泛化能力。
2025-06-10 cs.CV
HyperImageNet: A Large-Scale High-Spatial Resolution Hyperspectral Imagery Classification Benchmark
介绍用于细粒度高光谱土地覆盖理解的HyperImageNet基准，含原始图像等数据，支持语义和实例分割，建立开放环境基准评估方法和模型，实验证明其在相关研究中的有效性。
2026-07-28 cs.CV
Enabling Country-Scale Land Cover Mapping with Meter-Resolution Satellite Imagery
German Aerospace Center（德国航空航天中心）；Wuhan University（武汉大学）；Technical University of Munich（慕尼黑工业大学）
针对高分辨率影像大规模土地覆盖制图的挑战，提出了包含50亿标注像素的数据集Five-Billion-Pixels及基于Siamese网络的无监督域适应方法，实现了跨传感器与区域的米级国家级高质量制图。
2023-04-07 cs.CV
LandslideAgent with Multimodal LandslideBench: A Domain-Rule-Augmented Agent for Autonomous Landslide Identification and Analysis
Central South University（中南大学）
提出指令驱动智能体框架，包含多模态数据集LandslideBench、滑坡专用视觉语言模型LandslideVLM及领域规则增强智能体LandslideAgent，实现自主滑坡识别与分析。
2026-06-18 cs.AI cs.CV
FLAIR-HUB: Large-scale Multimodal Dataset for Land Cover and Crop Mapping
Institut national de l’information géographique et forestière (IGN), France（法国国家地理与森林信息研究所）
FLAIR-HUB是一个大规模多模态数据集，用于提升土地覆盖和作物制图的准确性，通过多模态融合和深度学习模型实现高精度分类。
2026-03-05 cs.CV
LandCoverNet: A global benchmark land cover classification training dataset
Radiant Earth Foundation（Radiant Earth基金会）
定期更新和准确的土地覆盖图对于监测17个可持续发展目标中的14个目标至关重要。多谱段卫星图像提供了全球范围的高质量和有价值的信息，可用于开发土地覆盖物分类模型。然而，这样的全球应用程序需要地理上多样化的训练数据集。在这里，我们介绍了LandCoverNet，这是一个基于Sentinel-2观测的10米空间分辨率的土地覆盖分类全球训练数据集。土地覆被类别标签是根据Sentinel-2的年度时间序列定义的，并通过三个人类注释者之间的共识进行验证。
2020-12-05 cs.CV cs.LG
Cross-Resolution Land Cover Classification Using Outdated Products and Transformers
Nanjing University of Information Science & Technology（南京信息工程大学）；Beijing Institute of Space Mechanics and Electricity（北京空间机电研究所）
针对高分辨率土地覆盖标注数据不足的问题，提出结合反向差分机制类U-Net Transformer与最优传输抗噪损失的弱监督方法，利用过时低分辨率数据实现跨分辨率高分辨率土地覆盖分类，性能优于现有最优方法。
2024-03-06 cs.CV
Leveraging Land Cover Priors for Isoprene Emission Super-Resolution
Politecnico di Milano（米兰理工大学）
针对卫星排放数据空间分辨率不足的问题，提出融合土地覆盖先验的深度学习超分辨率框架，提升异戊二烯等BVOC排放数据精度，支撑大气与气候相关研究应用。
2025-03-24 cs.CV
Learning with less: label-efficient land cover classification at very high spatial resolution using self-supervised deep learning
Department of Agricultural and Biological Engineering, Mississippi State University（农业与生物工程系，密苏里州立大学）；North Mississippi Research and Extension Center, Mississippi State University（北密苏里研究与推广中心，密苏里州立大学）
本研究提出一种基于自监督深度学习的标签高效方法，利用少量标注数据实现高分辨率土地覆盖分类，取得87.14%的总体准确率。
2026-02-25 cs.CV
Scale Aware Adaptation for Land-Cover Classification in Remote Sensing Imagery
UC Merced（加州大学默塞德分校）；Amazon Web Services（亚马逊云科技）
利用遥感图像进行土地覆盖分类是一项重要的地球观测任务。最近，土地覆盖分类受益于语义分割的全连接神经网络的发展。然而，可用于训练遥感图像中的深度分割模型的基准数据集往往很小，通常仅由来自单个位置的少数图像组成。这限制了模型推广到其他数据集的能力。领域自适应已经被提出来提高模型的泛化能力，但我们发现这些方法对于处理遥感图像集合之间常见的尺度变化是无效的。因此，我们提出了一个尺度感知的对抗性学习框架来执行联合跨位置和跨尺度土地覆盖分类。该框架有一个标准的功能块以及一个新颖的规模块的双块架构。我们还介绍了一个规模的注意力模块，产生规模增强功能。实验结果表明，该框架优于国家的最先进的领域自适应方法的大幅度。
2020-12-08 cs.CV
Global High Categorical Resolution Land Cover Mapping via Weak Supervision
Technical University of Munich（慕尼黑工业大学）；Tsinghua University（清华大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对细粒度训练数据获取困难的问题，提出基于原型的伪标签校正与扩展（PRE）弱监督领域自适应方法，在10个城市实现跨传感器、跨类别和跨大陆制图，总体精度超80%，显著提升标签效率。
2024-06-02 cs.CV
Weakly Supervised Semantic Segmentation of Satellite Images for Land Cover Mapping -- Challenges and Opportunities
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
全自动大比例尺土地覆盖制图属于遥感界所面临的核心挑战。通常，该任务的基础由（监督的）机器学习模型形成。然而，尽管最近卫星观测的可利用性有所增加，但准确的训练数据仍然非常缺乏。另一方面，有许多全球土地覆被产品，而且往往可以免费获得。不幸的是，这些地图的分辨率通常比现代卫星图像低得多。此外，它们总是带有大量的噪声，因为它们不能被认为是地面实况，而是以前（半）自动预测任务的产物。因此，本文试图使弱监督学习策略的应用，以获得最大的可用数据源，并在高分辨率的大规模土地覆盖制图取得进展的情况下。基于SEN 12 MS数据集讨论了挑战和机遇，并显示了一些基线结果。这些基线表明，仍有很大的潜力，可以采取专门的办法来处理遥感特有的监督薄弱形式。
2020-04-28 cs.CV
LC-SLab -- An object-based deep learning framework for large-scale land cover classification from satellite imagery and sparse in-situ labels
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning（拉马尔人工智能与机器学习研究所）；Forschungszentrum Jülich GmbH（吕内堡研究中心）
LC-SLab是一种基于对象的深度学习框架，用于在稀疏监督下实现大尺度土地覆盖分类，通过输入和输出级聚合提升分类精度和地图连贯性。
2026-07-23 cs.CV
Deep Transfer Learning for Land Use and Land Cover Classification: A Comparative Study
Accubits Technologies Inc（Accubits科技公司）；Acharya Narendra Dev College, University of Delhi（德里大学阿查里雅·纳伦德拉·德夫学院）；University of Calgary（卡尔加里大学）
高空间分辨率遥感图像分类在土地利用/土地覆盖分类中具有重要的应用价值。遥感和深度学习技术的新进展为LULC分类的时空信息提取提供了便利。此外，包括遥感在内的各种科学学科都利用了具有迁移学习的卷积神经网络（CNN）在图像分类方面的巨大改进。在这项研究中，不是从头开始训练CNN，而是将迁移学习应用于微调预训练的网络视觉几何组（VGG 16）和宽残差网络（WRN），通过使用EuroSAT数据集的红-绿-蓝版本将最终层替换为LULC分类。此外，还使用提前停止、梯度裁剪、自适应学习率和数据增强等技术对性能和计算时间进行比较和优化。所提出的方法已经解决了有限的数据问题，并取得了很好的精度。结果表明，该方法的WRN的基础上表现出更好的计算效率和准确性从98.57%到99.17%，比以前的最佳状态的结果。
2021-11-25 cs.CV
VisualWorldBench: A Fine-Grained Multi-Task Benchmark for Evaluating Visual World Knowledge in MLLMs
University of Science and Technology of China（中国科学技术大学）；Shanghai Innovation Institute（上海创新研究院）
本文提出VisualWorldBench基准，针对现有MLLMs视觉知识评估基准的类别覆盖窄、任务不严谨问题，构建含多领域多任务的基准，发现最强闭源模型仅80.4%准确率，微调VisualWorldBench-50K可大幅提升性能并实现迁移。
2026-10-14 cs.CV
Fine-grained Apparel Classification and Retrieval without rich annotations
Squadrun Solutions Private Limited（Squadrun解决方案私人有限公司）
正确分类和检索服装图像的能力对于电子商务、在线广告和互联网搜索具有多种重要的应用。在这项工作中，我们提出了一个强大的框架细粒度的服装分类，店内和跨域检索，消除了丰富的注释，如边界框和人体关节或服装地标的要求，和训练的限界框/关键地标检测器相同。细微的外观差异、人体姿势的变化、不同的拍摄角度、服装变形和自遮挡等因素增加了服装物品分类和检索的挑战。由于在线购物图像之间存在很大的差异，跨域检索更加困难，这些图像通常是在理想的照明，姿势，正角度和干净的背景下拍摄的，而用户在光线差和场景杂乱的复杂条件下拍摄的街道照片则不同。我们的框架使用紧凑的双线性CNN和张量草图算法来生成嵌入，以一种几何不变的方式捕获局部成对特征的相互作用。对于服装分类，我们通过softmax分类器传递特征嵌入，而店内和跨域检索管道使用基于三重损失的优化方法，使得嵌入之间的平方欧几里德距离测量图像之间的差异。与以前依赖于限界框、关键服装地标或人体关节检测器来辅助最终深度分类器的工作不同，所提出的框架可以直接在所提供的类别标签或生成的三元组上进行训练，以进行三元组丢失优化。最后，DeepFashion细粒度分类以及店内和消费者到店检索数据集的实验结果与该领域以前的工作进行了比较分析。
2018-11-06 cs.CV
A Self-Supervised Approach to Land Cover Segmentation
Mississippi State University（密西西比州立大学）
本文提出一种无需真值掩码的自监督土地覆盖分割方法，将DINO预训练的ViT骨干网络迁移到STEGO架构中，并在VHR卫星影像数据集上微调，仅10个epoch即达到约52%准确率，验证了自监督模型用于LULC地图自动标注的可行性。
2023-10-27 cs.CV
From Forest to Future Capital: Tracking Land Cover Change in Ibu Kota Nusantara (IKN) from 2021 to 2026 with PlanetScope Imagery
National University of Singapore（新加坡国立大学）；The Chinese University of Hong Kong（香港中文大学）
本研究利用PlanetScope影像结合遥感技术与支持向量机算法，追踪印尼新首都IKN核心区2021-2026年的土地覆盖变化，发现植被与碳储量下降、建设用地扩张，证实遥感可有效监测大型城市发展的环境影响。
2026-08-05 cs.CV
DI3CL: Contrastive Learning With Dynamic Instances and Contour Consistency for SAR Land-Cover Classification Foundation Model
Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室）；International Research Center for Intelligent Perception and Computation（智能感知与计算国际研究中心）；Joint International Research Laboratory of Intelligent Perception and Computation（智能感知与计算联合国际实验室）；School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；Hangzhou Institute of Technology（杭州科技学院）
本文提出DI3CL框架，通过动态实例模块和轮廓一致性模块提升SAR土地覆盖分类的鲁棒性和泛化能力，并在大规模SARSense数据集上验证了其有效性。
2026-03-24 cs.CV
Segmentation of Satellite Imagery using U-Net Models for Land Cover Classification
Tallinn University of Technology（塔林理工大学）；University of Oxford（牛津大学）
本文的重点是使用一个卷积机器学习模型与修改的U-Net结构创建基于卫星图像的土地覆盖分类映射。研究的目的是训练和测试卷积模型自动土地覆盖制图，并评估其可用性，提高土地覆盖制图的精度和变化检测。为了解决这些任务，作者准备了一个数据集和训练的机器学习模型，用于从卫星图像中进行土地覆盖分类和语义分割。结果分析了三个不同的土地分类水平。BigEarthNet卫星图像档案被选为研究的两个主要数据集之一。这一新的数据集于2019年发布，包括2017年和2018年拍摄的来自10个欧洲国家的Sentinel-2卫星照片。作为第二个数据集，作者组成了一个原始集，其中包含一个哨兵-2图像和一个CORINE爱沙尼亚土地覆盖图。开发的分类模型显示了高的整体F \textsubscript{1}得分为0.749多类土地覆盖分类与43个可能的图像标签。该模型还突出显示了BigEarthNet数据集中的噪声数据，其中图像似乎具有不正确的标签。分割模型提供了一种基于Sentinel-2卫星图像生成自动土地覆盖映射的解决方案，并显示了森林，内陆水域和耕地等土地覆盖类别的高IoU得分。这些模型显示出提高现有土地分类图和土地覆盖变化检测的准确性的能力。
2020-03-05 cs.CV cs.CY
Land Cover Mapping in Limited Labels Scenario: A Survey
University of Minnesota（明尼苏达大学）；University of Pittsburgh（匹兹堡大学）
土地覆盖物测绘对于监测全球环境变化和管理自然资源至关重要。不幸的是，传统的分类模型受到现有土地覆盖产品中有限的训练数据以及空间和时间上的数据异质性的困扰。在这次调查中，我们提供了一个结构化的和全面的概述，在土地覆盖制图和机器学习方法来解决这些问题的挑战。我们还讨论了在这个有前途的方向推进研究存在的差距和机会。
2021-09-14 cs.CV cs.LG
Land-cover Classification and Mapping for Eastern Himalayan State Sikkim
Sikkim Manipal Institute of Technology（锡金马尼帕尔理工学院）
分类卫星图像的区域已成为一个具有挑战性的任务，在当今时代，有巨大的增长，即在解决建筑物，道路，桥梁，水坝等的建设，本文提出了一种简易的k-均值和人工神经网络（ANN）分类器的土地覆盖映射的喜马拉雅东部锡金州。改进的k-means算法与现有的k-Nearest Neighbor和最大似然分类器方法相比，显示出令人满意的结果。人工神经网络（ANN）分类器的优点在于速度快、识别率高，而且与其他分类算法相比，它的自学习能力使其被广泛接受。与经典方法相比，基于人工神经网络的分类器取得了令人满意的结果。
2010-03-22 cs.CV
Representative-Discriminative Learning for Open-set Land Cover Classification of Satellite Imagery
The University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Applied Research Associates（应用研究联合公司）
卫星图像的土地覆盖分类是分析地球表面的重要步骤。现有的模型假设一个闭集设置，其中训练和测试类都属于同一个标签集。然而，由于卫星图像的独特特性，具有极其广阔的多用途覆盖材料的区域，训练数据必然是非代表性的。在本文中，我们研究的问题，开集土地覆盖分类，确定样本属于未知的类在测试过程中，同时保持性能上已知的类。虽然本质上是一个分类问题，但需要利用数据的代表性和判别性方面，以便更好地区分未知类别和已知类别。我们提出了一个代表性判别开集识别（RDOSR）框架，该框架1）将数据从原始图像空间投影到嵌入特征空间，以便于区分相似的类，并进一步2）通过转换到所谓的丰度空间来增强代表性和判别能力。在多个卫星基准上的实验证明了该方法的有效性。我们还显示了所提出的方法的通用性，通过使用RGB图像的开集分类任务取得了可喜的成果。
2020-07-21 cs.CV
Geographical Context Matters: Bridging Fine and Coarse Spatial Information to Enhance Continental Land Cover Mapping
University of Natural Resources and Life Sciences, Vienna（维也纳自然资源与生命科学大学）；University of Montpellier（蒙彼利埃大学）；AgroParisTech（巴黎农艺学院）；CIRAD（法国国际农业发展研究中心）；CNRS（法国国家科学研究中心）；INRAE（法国国家农业食品与环境研究院）；INRIA（法国国家信息与自动化研究院）
针对土地覆盖制图中忽略地理空间元数据的问题，提出BRIDGE-LC深度学习框架，整合细粒度（经纬度）与粗粒度（生物地理区域）空间信息，在两种评估场景中提升了制图性能，实现区域特异性与无关特征的解耦。
2025-04-16 cs.CV cs.LG
Synthesizing Optical and SAR Imagery From Land Cover Maps and Auxiliary Raster Data
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Inria（法国国家信息与自动化研究所）；Munich University of Applied Sciences（慕尼黑应用科学大学）；the University of Tokyo（东京大学）
我们合成光学RGB和合成孔径雷达（SAR）遥感图像从土地覆盖图和辅助栅格数据生成对抗网络（GANs）。在遥感方面，许多类型的数据，如数字高程模型（DEM）或降水图，往往不反映在土地覆盖图，但仍然影响图像的内容或结构。在合成过程中包括这些数据可以提高生成图像的质量，并对其特性进行更多的控制。空间自适应归一化层融合两个输入，并应用于一个成熟的生成器架构，包括编码器和解码器，以充分利用辅助光栅数据中的信息内容。我们的方法成功地合成中等（10米）和高（1米）分辨率的图像时，训练与相应的数据集。我们使用预训练的U-Net分割模型，使用平均交集（mIoUs），像素精度和Fréchet起始距离（FID）显示了土地覆盖图和辅助信息的数据融合的优势。手工挑选的图像说明了融合信息如何避免合成图像中的模糊性。通过稍微编辑输入，我们的方法可以用于合成现实的变化，即，提高了水位源代码可在https://github.com/gbaier/rs_img_synth上获得，我们在https://ieee-dataport.org/open-access/geonrw上发布了新创建的高分辨率数据集。
2021-05-25 cs.CV
LandSegmenter: Towards a Flexible Foundation Model for Land Use and Land Cover Mapping
Chair of Data Science in Earth Observation, Technical University of Munich（地球观测数据科学教授职位，慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出LandSegmenter框架，解决土地利用与覆盖制图中数据需求高、模型泛化性差的问题，通过多模态数据集、跨模态特征提取和置信度引导融合策略提升模型性能。
2026-04-30 cs.CV
A large-scale climate-aware satellite image dataset for domain adaptive land-cover semantic segmentation
School of Remote Sensing Information Engineering, Wuhan University（武汉大学遥感信息工程学院）；State Key Laboratory of Geo-information Engineering（地理信息工程国家重点实验室）；Advanced Research Institute of Multidisciplinary Science, Beijing Institute of Technology（北京理工大学多学科先进研究院）；School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机学院）；School of Electronics and Communication Engineering, Sun Yat-sen University（中山大学电子与通信工程学院）
该研究针对现有土地覆盖语义分割数据集忽略气候差异导致域差距的问题，构建了首个多域气候感知卫星图像数据集CASID，并开展实验提供方法基线。
2026-10-16 cs.CV
Land Cover Classification from Multi-temporal, Multi-spectral Remotely Sensed Imagery using Patch-Based Recurrent Neural Networks
Florida State University（佛罗里达州立大学）
全球环境的可持续性依赖于大面积土地覆盖的准确信息。即使有越来越多的卫星系统和传感器获取光谱、空间、辐射和时间特性得到改善的数据，而且有新的数据分发政策，大多数现有的土地覆盖数据集仍然是从基于像素的单日期多光谱遥感图像中获得的，准确度很低。提高图像分类精度的瓶颈是如何发展一种准确有效的图像分类技术。通过整合和利用遥感图像中完整的多光谱、多时空信息，并考虑其内在的空间和时序相关性，提出了一种适合多时相遥感数据的基于块的RNN（PB-RNN）系统。该系统的设计结合了多时相遥感数据的鲜明特点。特别是，它使用多时间-频谱-空间样本，并处理由多时间数据系列中存在的云/阴影污染的像素。使用佛罗里达州大沼泽地生态系统研究网站，占地面积为771平方公里，所提出的PB-RNN系统取得了显着的改善，在分类精度比基于像素的RNN系统，基于像素的单图像神经网络系统，基于像素的多图像神经网络系统，基于块的单图像神经网络系统和基于块的多图像神经网络系统。例如，该系统实现了97.21%的分类准确率，而基于像素的单图像NN系统实现了64.74%。通过利用像PB-RNN这样的方法，我们相信可以有效地在大面积上生成更准确的土地覆盖数据集。
2017-08-02 cs.CV
SeasoNet: A Seasonal Scene Classification, segmentation and Retrieval dataset for satellite Imagery over Germany
TU Dortmund University（多特蒙德工业大学）
本文介绍了一种新的大规模多标签土地覆盖和土地利用场景理解数据集SeasoNet。它包括来自Sentinel-2磁贴的$1\,759\,830$图像，具有12个光谱波段和高达$ 120 \ \mathrm{px} \times 120 \ \mathrm{px}$的补丁大小。每个图像都使用德国土地覆盖模型LBM-DE 2018的大尺度像素级标签进行注释，土地覆盖类别基于CORINE土地覆盖数据库（CLC）2018和比原始CLC地图小五倍的最小映射单元（MMU）。我们提供了四季的像素同步示例，外加一个额外的雪景集。这些属性使SeasoNet成为目前最通用和最大的遥感场景理解数据集，其可能的应用范围从土地覆盖映射的场景分类到基于内容的跨季节图像检索和自监督特征学习。我们通过在场景分类和语义分割场景中对新数据集进行最先进的深度网络评估来提供基线结果。
2022-07-19 cs.CV
Attentive Weakly Supervised land cover mapping for object-based satellite image time series data with spatial interpretation
INRAE（法国国家农业、食品与环境研究院）；CIRAD（法国农业研究与发展国际合作中心）
现代地球观测系统不断收集大量的卫星信息。获取高分辨率卫星图像时间序列（SITS）数据（在同一地理区域具有高重访时间段的图像序列）的前所未有的可能性为监测地球表面的不同方面提供了新的机会，但与此同时，它在分析和利用如此大量的丰富和复杂的图像数据的适当方法方面提出了新的挑战。与SITS数据分析相关的主要任务之一是土地覆盖制图，其中通过学习方法利用卫星数据来恢复地球表面状态，即相应的土地覆盖类别。由于操作约束，在其上训练机器学习策略的所收集的标签信息通常在体积上是有限的，并且以粗粒度获得，从而执行可能影响整个过程的不精确和弱知识。为了解决这些问题，在基于对象的SITS土地覆盖映射的背景下，我们提出了一个新的深度学习框架，名为TASSEL（主动式弱监督卫星图像时间sEries分类器），能够智能地利用粗粒度标签提供的弱监督。此外，我们的框架还产生了一个额外的边信息，支持模型的可解释性，目的是使黑盒灰色。这种辅助信息允许通过视觉检查将空间解释与模型决策相关联。
2020-04-30 cs.CV
Instance Retrieval at Fine-grained Level Using Multi-Attribute Recognition
Cortexica Vision Systems Limited（Cortexica视觉系统有限公司）；Australian Institute for Machine Learning（澳大利亚机器学习研究所）；the University of Adelaide（阿德莱德大学）
在本文中，我们提出了一种方法，例如排名和检索细粒度级别的基础上提取的多属性识别模型，这是不依赖于地标信息或部分基于注释的全局特征。此外，我们通过采用双线性CNN使多属性识别模型更小（在参数数量方面），使这种架构适合于移动设备应用。在DeepFashion In-Shop Clothes Retrieval和CUB 200数据集的Dress类别上进行的实验表明，细粒度级别的实例检索结果对于这些数据集是有希望的，特别是在纹理和颜色方面。
2018-11-07 cs.CV
A hierarchical deep learning framework for the consistent classification of land use objects in geospatial databases
Leibniz Universität Hannover（莱布尼茨汉诺威大学）
地理空间数据库中的土地利用构成了城市管理、区域规划和环境监测等不同应用的基本输入。本文提出了一种分层深度学习框架来验证土地利用信息。为此，采用了两步战略。首先，给定高分辨率航空图像，确定土地覆盖信息。为此，提出了一种基于卷积神经网络（CNN）的编码器-解码器。其次，像素级土地覆盖信息与航空影像一起作为另一个CNN的输入，对土地利用进行分类。由于地理空间数据库的对象目录通常是以分层的方式构建的，我们提出了一种新的基于CNN的方法，旨在预测土地利用的多层次，同时。提出了一种所谓的联合优化（JO），其中通过在所有级别上选择具有最大联合类得分的层次元组来进行预测，从而在不同级别上提供一致的结果。实验结果表明，基于JO的CNN的性能优于以往的结果，总体准确率高达92.5%。除了在两个试验点上进行的单独实验之外，我们还研究了当一起处理时，显示不同特征的数据是否可以改善土地覆盖和土地利用分类的结果。为此，我们将这两个数据集结合起来，并进行了一些额外的实验。结果表明，增加数据量有助于土地覆盖和土地利用分类，特别是识别代表性不足的类别，尽管它们具有不同的特征。
2021-04-14 cs.CV
RapidAI4EO: Mono- and Multi-temporal Deep Learning models for Updating the CORINE Land Cover Product
Planet（Planet公司）；VITO（佛兰德技术研究所）
在遥感界，利用卫星图像进行土地利用/土地覆盖分类是当前研究活动的一个主要焦点。然而，准确和适当的LULC分类仍然是一项具有挑战性的任务。在本文中，我们使用RapidAI 4 EO数据集上的监督学习评估多时间（每月时间序列）与单时间（单时间步长）卫星图像的多标签分类性能。作为第一步，我们在单个时间步对图像训练了我们的CNN模型，用于多标签分类，即单时间。我们使用LSTM模型整合了时间序列图像，以评估来自卫星的多时相信号是否改善了CLC分类。结果表明，改进了约0.89%，在分类卫星图像上的15个类，使用多时相的方法，每月的时间序列图像相比，单时相的方法。利用多时相或单时相图像的特征，这项工作是朝着有效的变化检测和土地监测方法迈出的一步。
2022-10-26 cs.CV
Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images
Southeast University（东南大学）；Shenzhen University（深圳大学）
解剖标志的自动和准确检测是具有多种应用的医学图像分析中的基本操作。最近的深度学习方法已经通过利用似然图（即，热图）。然而，大多数当前的解决方案忽略了热图回归的另一个本质，即回归目标热图的客观度量，并依赖于手工制作的算法来设置目标精度，因此通常是繁琐的和特定于任务的。在本文中，我们提出了一种新的学习到学习的地标检测框架，同时优化神经网络和目标精度。这项工作的重点是利用强化学习（RL）框架来搜索客观指标，以便在训练过程中动态地回归多个热图，从而避免设置特定于问题的目标精度。我们还引入了一个早期停止策略，主动终止RL代理的相互作用，考虑探索-利用权衡，为单独的目标调整最佳精度。这种方法在训练中表现出更好的稳定性，并在推理中提高了定位精度。在两个不同的界标定位应用上的广泛实验结果：1）我们的内部产前超声（US）数据集和2）公开的头影测量X射线界标检测数据集，证明了我们所提出的方法的有效性。我们提出的框架是通用的，并显示出提高解剖标志检测效率的潜力。
2021-05-19 cs.AI cs.CV cs.LG
Riverine Land Cover Mapping through Semantic Segmentation of Multispectral Point Clouds
Department of Remote Sensing and Photogrammetry, Finnish Geospatial Research Institute FGI（遥感与摄影测量系，芬兰地理研究所）；Faculty of Technology, University of Turku（技术学院，图尔库大学）；Department of Geography and Geology, University of Turku（地理与地质系，图尔库大学）；Faculty of Geological Sciences, Complutense University of Madrid（地质科学学院，马德里卡洛斯三世大学）
本文利用Point Transformer v2模型对多光谱LiDAR点云进行语义分割，实现河流环境土地覆盖制图，通过几何和光谱信息识别沙地、砾石、低植被等类别，验证了该方法在实际应用中的有效性。
2026-03-23 cs.CV
EuroSAT: A Novel Dataset and Deep Learning Benchmark for Land Use and Land Cover Classification
TU Kaiserslautern（凯撒斯劳滕工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
在本文中，我们解决的挑战，土地利用和土地覆盖分类使用哨兵-2卫星图像。哨兵2号卫星图像是由哥白尼地球观测计划提供的，可以公开和免费获取。我们提出了一个基于Sentinel-2卫星图像的新数据集，覆盖13个光谱波段，由10个类别组成，共有27，000个标记和地理参考图像。我们使用最先进的深度卷积神经网络（CNN）为其光谱带提供了这个新数据集的基准。使用所提出的新数据集，我们实现了98.57%的整体分类准确率。由此产生的分类系统为若干地球观测应用打开了大门。我们演示了如何使用这种分类系统来检测土地利用和土地覆盖的变化，以及如何帮助改善地理地图。EuroSAT地理参考数据集在https://github.com/phelber/eurosat上公开提供。
2019-02-01 cs.CV cs.LG
Not every day is a sunny day: Synthetic cloud injection for deep land cover segmentation robustness evaluation across data sources
French National Research Institute for Sustainable Development (IRD)（法国可持续发展国家研究所）
本文提出合成云注入算法以评估云层对土地覆盖分割的影响，并通过在解码层注入 NDIs 及融合 Sentinel-1 雷达数据，提升模型在无云和有云条件下的性能与鲁棒性。
2025-10-03 cs.CV
Mask Clustering-based Annotation Engine for Large-Scale Submeter Land Cover Mapping
State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS)（信息工程测绘遥感国家重点实验室）；Wuhan University（武汉大学）；School of Artificial Intelligence（人工智能学院）；Chinese Antarctic Center of Surveying and Mapping（测绘南极中心）
针对亚米级遥感影像大规模高质量标注难题，提出MCAE掩码聚类标注引擎，构建140亿像素HiCity-LC基准并支持五城市85%以上准确率制图。
2025-09-29 cs.CV
MRFusion: A Deep Learning architecture to fuse PAN and MS imagery for land cover mapping
CIRAD（法国国际发展农业研究中心）；University of Montpellier（蒙彼利埃大学）；AgroParisTech（巴黎高科农业学院）；CNRS（法国国家科学研究中心）；IRSTEA（法国国家环境与农业科学技术研究院）；LIRMM（蒙彼利埃计算机、机器人与微电子实验室）
当今，地球观测系统提供了大量的异构遥感数据。如何利用其互补性来管理这种丰富性是现代遥感分析的一个关键挑战。数据融合技术处理这一点，提出的方法来结合和利用不同的数据传感器之间的互补性。考虑到光学甚高空间分辨率（VHSR）图像，卫星以不同的空间分辨率获得多光谱（MS）和全色（PAN）图像。VHSR图像被广泛用于制作土地覆盖图，以处理农业、生态和社会经济问题，以及评估生态系统状况、监测生物多样性和为构想食品风险监测系统提供投入。从这样的VHSR图像产生土地覆盖图的常见技术通常选择多分辨率源的先前全色锐化以进行全分辨率处理。在这里，我们提出了一种新的深度学习架构，以联合使用PAN和MS图像进行直接分类，而无需任何先前的图像融合或重新定位过程。通过以其固有的空间分辨率管理光谱信息，我们的方法称为MRFusion，旨在避免由全色锐化或任何其他手工预处理引起的可能的信息丢失。此外，所提出的架构被适当地设计为学习源的非线性变换，其明确目的是尽可能多地利用PAN和MS图像的互补性。实验进行了两个真实世界的情况下，描绘大面积不同的土地覆盖特征。所提出的方案的特点强调了我们的方法在操作设置的适用性和通用性。
2018-06-29 cs.CV
BD Open LULC Map: High-resolution land use land cover mapping & benchmarking for urban development in Dhaka, Bangladesh
Center for Computational \& Data Sciences, Independent University, Bangladesh
BD Open LULC Map通过高分辨率卫星影像提供达卡市及周边地区的土地利用/覆盖制图，并利用DeepLab V3+进行基准测试，填补南/东南亚LULC数据集的空白。
2025-05-28 cs.CV
