Model Generalization in Deep Learning Applications for Land Cover Mapping
University of Southern California（南加州大学）；Microsoft（微软）
最近的工作表明，深度学习模型可用于对地理空间卫星图像中的土地利用数据进行分类。我们发现，当这些深度学习模型在特定大陆/季节的数据上进行训练时，模型在样本外大陆/季节的性能存在高度的变异性。这表明，仅仅因为一个模型准确地预测了一个大陆或季节的土地利用类别，并不意味着该模型将准确地预测不同大陆或季节的土地利用类别。然后，我们使用聚类技术对来自不同大陆的卫星图像进行可视化，使地理空间概括特别困难的景观差异，并总结了我们对未来卫星图像相关应用的启示。
2021-06-17 cs.CV cs.LG stat.ML
Comparative Analysis of the Land Use and Land Cover Changes in Different Governorates of Oman using Spatiotemporal Multi-spectral Satellite Data
Ulster University（阿尔斯特大学）；University of Engineering and Technology Taxila（塔克西拉工程技术大学）；Sohar University（苏哈尔大学）
本研究利用Sentinel-2多光谱时空数据和监督机器学习算法，分析比较了阿曼各省2016至2021年间的覆盖与土地利用变化。
2025-05-29 cs.LG
Land Use and Land Cover Classification Using Deep Learning Techniques
ARIZONA STATE UNIVERSITY（亚利桑那州立大学）
以正射影像镶嵌图为代表的亚米级航空影像的大型数据集如今已被广泛使用，这些数据集可能包含大量未开发的信息。此影像可以定位多种类型的要素;例如，影像中的森林、停车场、机场、住宅区或高速公路。然而，这些事物的外观基于许多事物而变化，包括图像被捕获的时间、传感器设置、为校正图像所做的处理以及由图像捕获的区域的地理和文化背景。本论文探讨了使用深度卷积神经网络对极高空间分辨率（VHR）、正射校正、可见光波段多光谱影像中的土地利用进行分类。最近的技术和商业应用推动了在可见光红、绿、蓝（RGB）光谱波段收集大量VHR图像，这项工作探索了深度学习算法利用这些图像进行自动土地利用/土地覆盖（LULC）分类的潜力。
2019-05-01 cs.CV cs.LG eess.IV
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
Effects of Sampling Methods on Prediction Quality. The Case of Classifying Land Cover Using Decision Trees
聪明的抽样方法可以用来改善大数据的处理并提高其有用性。这项研究的主题是遥感，特别是机载激光扫描点云代表不同类别的地面覆盖。我们的目的是得到一个监督学习模型的分类使用CART。为了测量不同的采样方法对分类精度的影响，设计了不同类型的采样方法、样本量和精度指标的各种实验。数值结果的一个子集的一个大型测量项目，覆盖德国莱茵河下游地区。关于抽样设计的一般结论得出并提出。
2014-05-13 cs.LG stat.AP stat.ML
Attention-augmented Spatio-Temporal Segmentation for Land Cover Mapping
University of Minnesota（明尼苏达大学）；University of Pittsburgh（匹兹堡大学）
大量地球观测卫星数据的可用性为土地利用和土地覆盖测绘提供了巨大的机会。然而，这种测绘工作是具有挑战性的，由于存在各种土地覆盖类，嘈杂的数据，并缺乏适当的标签。此外，每一土地覆被类别通常都有其独特的时间模式，只能在特定时期内确定。在这篇文章中，我们介绍了一种新的架构，该架构将UNet结构与双向LSTM和注意力机制结合起来，共同利用卫星数据的空间和时间特性，并更好地识别每个土地覆盖的独特时间模式。我们评估这种方法在世界各地的多个地区的作物映射。我们比较我们的方法与其他国家的最先进的方法在两个现实世界的数据集，涉及多个土地覆盖类的定量和定性。我们还可视化了注意力权重，以研究其在减轻噪音和识别歧视性时间段方面的有效性。
2021-09-28 cs.AI cs.CV cs.LG
Land Cover Mapping Using Ensemble Feature Selection Methods
包围分类是一种新兴的土地覆盖制图方法，其最终分类输出是分类器共识的结果。直观地说，集成系统应该由不同的基本分类器组成，即其决策边界错误不同的分类器。在本文中，集成特征选择是用来施加在集成的多样性。每个集成的成分基分类器的功能创建通过一个穷举搜索算法，使用不同的可分性指数。对于每个合奏，分类精度以及衍生的多样性措施，旨在给一个措施的inensemble多样性。集成分类精度和多样性措施之间的相关性被确定为建立两个变量之间的相互作用。从本文件的调查结果来看，目前制定的多样性措施并没有提供一种充分的手段，据以构成土地覆盖物制图的集合。
2008-11-13 cs.LG
Generalized Few-Shot Meets Remote Sensing: Discovering Novel Classes in Land Cover Mapping via Hybrid Semantic Segmentation Framework
Wuhan University（武汉大学）；China University of Geosciences（中国地质大学）
针对土地覆盖制图中新类别发现难的问题，提出基于广义少样本分割的SegLand框架，结合多基础学习器与改进POP网络，在OpenEarthMap挑战赛中获第一，能高效更新新类别。
2024-04-19 cs.AI cs.CV cs.LG
Deep autoregressive modeling for land use land cover
Duke University（杜克大学）；Virginia Tech（弗吉尼亚理工大学）
本研究将LULC建模与图像修复任务相联系，采用约1900万参数的改进版PixelCNN架构，发现其能捕捉比基准模型更丰富的空间模式，但预测分布未校准且存在预测不足分散性，需进一步调优。
2024-01-02 cs.CV cs.LG
Learning without Exact Guidance: Updating Large-scale High-resolution Land Cover Maps from Low-resolution Historical Labels
Wuhan University（武汉大学）；China University of Geosciences（中国地质大学）
提出弱监督框架Paraformer，通过并行CNN-Transformer特征提取器和伪标签辅助训练模块，利用低分辨率历史标签高效更新大规模高分辨率土地覆盖图。
2024-03-23 cs.CV cs.LG
OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping
RIKEN AIP（理化学研究所先进智能项目中心）；The University of Tokyo（东京大学）
我们介绍OpenEarthMap，一个基准数据集，全球高分辨率土地覆盖制图。OpenEarthMap由220万个片段组成，涵盖6大洲44个国家的97个地区的5000幅航空和卫星图像，在0.25- 0.5米的地面采样距离上手动标注了8类土地覆盖标签。在OpenEarthMap上训练的语义分割模型在世界范围内推广，可以在各种应用程序中用作现成的模型。我们评估了无监督领域自适应的最先进方法的性能，并提出了适合进一步技术发展的具有挑战性的问题设置。我们还研究了轻量级模型，使用自动神经架构搜索有限的计算资源和快速映射。该数据集可在https://open-earth-map.org上获得。
2022-10-19 cs.CV cs.LG
A CNN based method for Sub-pixel Urban Land Cover Classification using Landsat-5 TM and Resourcesat-1 LISS-IV Imagery
Indian Institute for Human Settlements（印度人类住区研究所）
城市土地覆盖的时间序列数据在分析城市增长模式、不透水面和植被分布变化及其对城市小气候的影响等方面具有重要意义。虽然陆地卫星数据是这种分析的理想选择，因为免费图像的时间序列很长，但传统的按像素硬分类无法充分发挥陆地卫星数据的潜力。本文提出了一种亚像素分类方法，利用Landsat-5 TM和Resourcesat-1 LISS-IV传感器的时间重叠。我们训练一个卷积神经网络，预测分数土地覆盖图从30米Landsat-5 TM数据。参考土地覆盖率估计从硬分类的5.8米LISS-IV图像从2011年的Bengalu。此外，我们证明了所提出的模型从2009年孟买的数据，并将其与使用随机森林分类器获得的结果进行比较的通用性和优越的性能。对于孟加拉国（2011年）和孟买（2009年）的数据，我们的CNN模型的平均绝对百分比误差在7.2至11.3的范围内，在30米单元水平的建成和植被覆盖率预测。与最近使用有限空间范围的数据进行验证的研究不同，我们的模型已经使用两个不同时间段的两个特大城市的完整空间范围的数据进行了训练和验证。因此，它可以可靠地产生30米建成区和植被覆盖度地图从Landsat-5 TM时间序列数据分析长期的城市增长模式。
2021-12-16 cs.CV cs.LG
High-resolution land cover change from low-resolution labels: Simple baselines for the 2021 IEEE GRSS Data Fusion Contest
Yale University（耶鲁大学）；Microsoft AI for Good（微软AI造福全球）；Microsoft Research（微软研究院）
我们在2021年IEEE GRSS数据融合竞赛中提出了土地覆盖变化检测的简单算法。比赛的任务是根据多分辨率图像和标签数据，绘制美国马里兰州一个研究区的高分辨率（1米/像素）土地覆盖变化图。我们研究了这项任务的几个基线模型，并讨论了进一步研究的方向。数据见https://dfc2021.blob.core.windows.net/competition-data/dfc2021_index.txt，这些基线的实施见https://github.com/calebrob6/dfc2021-msd-baseline。
2021-01-04 cs.AI cs.CV cs.LG
Towards Explainable Land Cover Mapping: a Counterfactual-based Strategy
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所）；University of Montpellier（蒙彼利埃大学）
针对多类别土地覆盖分类，提出用于卫星图像时间序列的生成式对抗反事实方法，无需预设目标类别，并以紧凑时间扰动和对抗学习提升可解释性与真实性。
2023-08-20 cs.AI cs.CV cs.LG
Continental-scale land cover mapping at 10 m resolution over Europe (ELC10)
Norwegian Institute for Nature Research - NINA（挪威自然研究所）
广泛使用的欧洲土地覆盖图，如CORINE，是以中等空间分辨率（100米）制作的，依赖于各种数据，工作流程复杂，需要大量的机构能力。我们提出了一个高分辨率（10米）的土地覆盖图（ELC 10）的欧洲卫星驱动的机器学习工作流程的基础上，每年更新。一个随机森林分类模型是在来自LUCAS（土地利用/覆盖面积框架调查）数据集的70 K地面实况点上训练的。在谷歌地球引擎云计算环境中，ELC 10地图可以从大约1000个数据中生成。700 TB的Sentinel图像，4天内从一个单一的研究用户帐户。该地图实现了90%的整体精度跨越8个土地覆盖类，可以占统计单位土地覆盖比例的3.9%（R2 = 0.83）的实际值。这些精度高于CORINE（100米）和其他10米土地覆盖图，包括S2 GLC和FROM-GLC 10。我们发现，Sentinel-2的大气校正和Sentinel-1图像的斑点滤波对提高分类精度的影响很小（< 1%）。然而，与单独使用Sentinel-2相比，结合光学和雷达图像的准确性提高了3%，与单独使用Sentinel-1相比提高了10%。在Copernicus模块下将LUCAS点转换为同质多边形的准确性提高了<1%，这表明随机森林对污染的训练数据具有鲁棒性。此外，该模型只需要很少的训练数据就能达到中等精度-5 K和50 K LUCAS点之间的差异仅为3%（86 vs 89%）。在10…
2021-04-22 cs.CV cs.LG
Classification and mapping of low-statured 'shrubland' cover types in post-agricultural landscapes of the US Northeast
State University of New York College of Environmental Science and Forestry（纽约州立大学环境科学与林业学院）
新的植物群落重塑了景观，并对土地覆盖分类和制图提出了挑战，这可能会限制研究和管理工作。在美国东北部，出现低statured木本植被，或灌木丛，而不是次生林在后农业景观是有据可查的实地研究，但从景观的角度来看，这限制了系统地研究和管理这些土地的能力知之甚少。为了解决低statured覆盖类型的分类/映射中的差距，他们一直是历史罕见的，我们开发的模型来预测灌木丛分布在30米分辨率在纽约州（NYS），使用堆叠合奏结合随机森林，梯度提升机，人工神经网络集成遥感结构（机载激光雷达）和光学（卫星图像）植被覆盖的属性。我们首先分类的1米冠层高度模型（CHM），来自可用的激光雷达覆盖的拼凑，定义灌木丛的存在/不存在。接下来，这些非连续的地图被用来训练一个模型集成的基础上，时间分割的图像，以预测灌丛概率为整个研究景观（纽约州）。约2.5%的CHM覆盖面积被归类为灌木丛。使用陆地卫星预测训练的分类CHM模型是有效的识别灌木丛（测试集AUC=0.893，现实世界AUC=0.904），在区分灌木/幼林和其他覆盖类，并产生定性合理的地图，即使超出了原来的训练数据。我们的研究结果表明，纳入机载激光雷达，即使是从一个不连续的补丁覆盖，可以改善土地覆盖分类的历史罕见，但越来越普遍的灌木栖息地在更广泛的地区。
2022-12-21 cs.CV cs.LG stat.AP
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
Comparison of Segmentation Methods in Remote Sensing for Land Use Land Cover
Center of Data for Public Good（公共利益数据中心）；Indian Institute of Science（印度科学研究院）
本文比较DeeplabV3+与动态加权改进的CPS等监督、半监督LULC分割方法，并结合Cartosat MX大气校正和海得拉巴案例验证其城市变化监测价值。
2025-07-24 cs.CV cs.LG
Submeter-level Land Cover Mapping of Japan
Graduate School of Frontier Sciences, The University of Tokyo（东京大学前沿科学研究院）；RIKEN Center for Advanced Intelligence Project (AIP)（理化学研究所先进智能项目中心）
本文提出首个日本亚米级八类土地覆盖制图，利用人在环中的深度学习框架和U-Net模型，以低标注成本实现国家级制图，总体准确率达80%，提升了近16个百分点。
2023-11-19 cs.CV cs.LG
Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification
在训练用于土地覆盖语义分割的机器学习模型时，用作输入的卫星图像的可用性与支持监督学习的地面实况数据之间存在鲜明的对比。虽然每天都有数千张新的卫星图像免费提供，但获取地面实况数据仍然非常具有挑战性，耗时且成本高昂。在本文中，我们提出了嵌入地球的自我监督对比预训练方法，利用卫星图像的大量可用性，以提高下游密集土地覆盖分类任务的性能。在四个国家和两大洲进行了广泛的实验评估，我们使用我们提出的方法预训练的模型作为监督土地覆盖语义分割的初始化点，并观察到高达25%的绝对mIoU的显着改善。在测试的每一种情况下，我们都优于随机初始化，特别是当地面真实数据稀缺时。通过一系列的消融研究，我们探索了所提出的方法的质量，并发现学习功能可以在不同的区域之间推广，从而有可能使用所提出的预训练方案作为对地观测任务随机初始化的替代方案。代码将很快上传到https://github.com/michaeltrs/DeepSatModels。
2022-03-11 cs.CV cs.LG
Satellite-Net: Automatic Extraction of Land Cover Indicators from Satellite Imagery by Deep Learning
针对卫星影像土地覆盖分类需求，提出定制化卷积神经网络模型Satellite-Net，在测试集上准确率达98%，为土地覆盖指标自动提取提供了可行的深度学习方案。
2019-07-22 cs.CV cs.LG eess.IV
Evaluation of Deep Learning Semantic Segmentation for Land Cover Mapping on Multispectral, Hyperspectral and High Spatial Aerial Imagery
Center for Space and Remote Sensing Research, National Central University（国立中央大学太空及遥测研究中心）；Department of Computer Science and Information Engineering, National Central University（国立中央大学资讯工程学系）
本研究在多光谱、高光谱和高空间分辨率航空影像上评估Unet、LinkNet、FPN和PSPnet等深度学习语义分割方法，发现LinkNet结合多光谱影像在土地覆盖分类中性能最优，IoU达0.993。
2024-07-01 cs.CV cs.LG
Wide-Area Land Cover Mapping with Sentinel-1 Imagery using Deep Learning Semantic Segmentation Models
ICEYE Oy（ICEYE公司）；VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）；Aalto University（阿尔托大学）
土地覆盖制图对于监测环境和了解人类活动对环境的影响至关重要。土地覆盖制图的自动方法（即，图像分割）大多使用传统的机器学习，需要启发式特征设计。在自然图像上，深度学习在图像分割方面优于传统的机器学习方法。在遥感图像上，最近的研究表明，特定的深度学习模型成功地应用于小规模土地覆盖制图任务（例如，将湿地综合体分类）。然而，目前尚不清楚哪些现有模型是哪种遥感任务的最佳候选者。在这项研究中，我们回答了这个问题，利用卫星雷达数据映射的基本土地覆盖类。我们把Sentinel-1 C波段SAR图像作为代表性数据免费提供给用户。以CORINE土地覆盖图为参考，对模型进行训练，以区分5个主要的CORINE类别。我们从最先进的语义分割模型中选择了七个，以便它们涵盖各种方法：U-Net，DeepLabV 3+，PSPNet，BiSeNet，SegNet，FC-DenseNet和FRRN-B。这些模型在ImageNet数据集上进行了预训练，并在本研究中进行了进一步的微调。所有模型均表现出可靠的性能，总体准确度在87.9%至93.1%之间，并且具有良好至非常好的一致性（kappa统计量在0.75至0.86之间）。两个最好的模型是FC-DenseNet和SegNet，后者的推理时间要短得多。总体而言，我们的研究结果表明，语义分割模型是适合有效的广域映射使用卫星SAR图像，也提供基线精度对新提出的模型进行评估。
2021-03-23 cs.CV cs.LG eess.IV
How accurate are existing land cover maps for agriculture in Sub-Saharan Africa?
Arizona State University（亚利桑那州立大学）；University of Maryland（马里兰大学）；McGill University（麦吉尔大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）
本研究利用8个国家的严格统计参考数据集，定量评估和比较了11张公开土地覆盖地图在非洲耕地分类和基于EO的农业监测中的适用性，以帮助用户选择合适地图并指导未来改进。
2024-06-02 cs.CY cs.LG
Land Cover Image Classification
Instituto Tecnológico de Mazatlan（马萨特兰理工学院）；Instituto Politecnico Nacional（国立理工学院）；CICATA-Qro（克雷塔罗应用科学与技术研究中心）；Universidad Autónoma de Querétaro（克雷塔罗自治大学）
针对传统土地覆盖分类耗时且易错的问题，本文比较CNN与基于transformer的深度学习模型，并在基于Sentinel-2图像的EuroSAT数据集上利用当前transformer取得最先进结果。
2024-01-17 cs.CV cs.LG eess.IV
Geospatial Diffusion for Land Cover Imperviousness Change Forecasting
Oak Ridge National Laboratory（橡树岭国家实验室）；Indiana University Bloomington（印第安纳大学布卢明顿分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
本文提出利用生成式AI将土地利用与地表覆盖变化预测构建为数据合成问题，训练扩散模型进行不透水性十年期预测，实验证明其能从历史数据中捕获时空模式，在≥0.7×0.7 km²分辨率下MAE优于无变化基线。
2025-08-14 cs.CV cs.LG
Scene-to-Patch Earth Observation: Multiple Instance Learning for Land Cover Classification
University of Southampton（南安普顿大学）；Georgia Institute of Technology（佐治亚理工学院）
土地覆被分类和监测土地利用随时间的变化是减缓和适应气候变化的一个重要过程。将机器学习与地球观测数据一起用于LCC的现有方法依赖于完全注释和分段的数据集。创建这些数据集需要大量的工作，缺乏合适的数据集已经成为扩大LCC使用的障碍。在这项研究中，我们提出了场景到补丁模型：一种替代LCC方法，利用多实例学习（MIL），只需要高层次的场景标签。这使得新数据集的开发速度更快，同时仍然通过补丁级预测提供分割，最终增加了使用LCC用于不同场景的可访问性。在DeepGlobe-LCC数据集上，我们的方法在场景和补丁级预测上都优于非MIL基线。这项工作为扩大LCC在技术，政府和学术界的气候变化减缓方法中的使用奠定了基础。
2022-11-15 cs.CV cs.LG
Very High Resolution Land Cover Mapping of Urban Areas at Global Scale with Convolutional Neural Networks
CEREMA, Centre d'études et d'expertise sur les risques, l'environnement, la mobilité et l'aménagement（法国风险、环境、流动性与规划研究与评估中心（CEREMA））
本文介绍了一种方法来产生一个7级的土地覆盖地图的城市地区非常高分辨率的图像和有限的噪声标记数据。我们的目标是使一个大面积的分割地图（一个法国部门）与以下类别：沥青，裸露的土壤，建筑物，草地，矿物材料（可渗透的人工区域），森林和水从20厘米的航空影像和数字高度模型。我们在几个感兴趣的领域创建了一个训练数据集，聚合数据库，半自动分类和手动注释，以获得每个类的完整基础数据。使用不同的损失函数对不同的编码器-解码器架构（U-Net、带有Resnet编码器的U-Net、Deeplab v3+）进行了比较研究。最终的产品是一个非常有价值的土地覆盖图，它是通过将模型预测拼接在一起、二值化并在矢量化之前进行细化来计算的。
2020-05-12 cs.CV cs.LG eess.IV
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。
2025-07-14 cs.CV cs.LG eess.IV
2-speed network ensemble for efficient classification of incremental land-use/land-cover satellite image chips
University of Technology Sydney（悉尼科技大学）；IBM Australia Limited（IBM澳大利亚有限公司）；University of New England（新英格兰大学）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Universiti Kebangsaan Malaysia（马来西亚国民大学）
不断增长的卫星图像数据量对行业和政府提出了挑战，这些行业和政府在及时分析超大数据集的基础上做出数据驱动的决策。用于卫星图像自动分类的常用深度学习算法是时间和资源密集型的训练。当新的图像数据和/或类被添加到训练语料库时，大数据背景下的再训练成本提出了实际挑战。认识到需要一个适应性强，准确，可扩展的卫星图像芯片分类方案，在这项研究中，我们提出了一个合奏：i）缓慢的训练，但高精度的视觉Transformer ;和ii）快速训练，低参数卷积神经网络。视觉Transformer模型提供了可扩展且准确的基础模型。高速CNN提供了一种将新标记的数据纳入分析的有效方法，但以较低的准确性为代价。为了模拟增量数据，将非常大的（约400，000张图像）So2 Sat LCZ 42卫星图像芯片数据集分为四个间隔，每个间隔重新训练高速CNN，每半个间隔训练视觉Transformer。这种实验设置模拟了数据量和多样性随时间的增加。对于自动土地覆盖/土地利用分类的任务，每个数据增量的集成模型优于每个组件模型，最好的准确度为65%，对一个保持测试分区的So2 Sat数据集。建议的合奏和交错的训练时间表提供了一个可扩展的和具有成本效益的卫星图像分类计划，优化处理非常大量的卫星数据。
2022-03-15 cs.CV cs.LG
When Less Is More: A Controlled Benchmark of Lightweight CNNs for Satellite Land-Cover Segmentation on DeepGlobe
研究在DeepGlobe数据集上比较VGG16等五种架构用于卫星土地覆盖分割，经三个迭代分离相关因素，采用相同预处理等协议。结果显示MobileNetV2_v1表现优，轻量级迁移学习模型在资源受限遥感环境中可匹配或超越更深模型，利于土地覆盖映射。
2026-07-28 cs.CV cs.LG stat.AP
