最近谷歌发布了一份关于《Sentinel-2的高分辨率建筑物和道路检测》技术文章，利用Sentinel-2卫星图像进行高分辨率建筑和道路检测的方法。
我们做了翻译与总结也给大家提供原始的PDF和Word文档分享分大家，你可以在文末查看该文档的领取方法。
高分辨建筑和与道路数据提取研究概述
该研究提出了一种利用Sentinel-2卫星图像进行高分辨率建筑和道路检测的方法。
不同波段之间的变化
通过训练一个"学生"模型来模仿可以访问高分辨率图像的"教师"模型的预测。
"学生"模型与"教师"模型预测
研究者们能够从10米分辨率的Sentinel-2图像中生成50厘米分辨率的建筑和道路分割掩模。
主要贡献
超分辨率分割框架提出了一种端到端的超分辨率分割模型，该模型直接从低分辨率输入预测高分辨率语义分割掩模，而无需先进行图像超分辨率处理。
总体模型架构
为低分辨率学生模型生成训练和评估数据
教师-学生模型使用高分辨率卫星图像训练的教师模型生成训练标签，然后训练学生模型仅使用Sentinel-2图像堆栈来重建这些标签。
地面以上物体高度标签示例
多任务学习学生模型能够同时执行多个任务，包括建筑语义分割、道路语义分割、建筑中心点检测、建筑高度预测和图像超分辨率。
根据Sentinel-2影像模型实例掩码相应的质心标签和模型输出
实验结果
建筑分割任务上，学生模型达到了79.0%的mIoU，与教师模型的85.5%mIoU相比，性能相当。
坎帕拉纳曼维工业区的城市发展随时间变化
乌干达东阿朱马尼区帕吉里尼亚难民定居点的建设
通过预测建筑中心点来估算建筑数量，模型能够达到与真实计数0.91的R2相关性。
评估示例
建筑高度预测方面，模型能够以1.5米的平均绝对误差进行预测。
04
数据集与模型训练
训练和评估数据集由低分辨率图像堆栈和高分辨率标签对组成。
使用了全球约1000万个样本进行训练，以及针对非洲、亚洲和拉丁美洲的验证集。
研究中使用的所有数据集的地理分布
数据集包括了不同地区、不同密度的城市和农村样本，以及具有人道主义意义的地区，如难民营。
技术细节
模型包括编码器和解码器，编码器独立编码每个低分辨率图像，解码器则对这些编码的融合表示进行上采样以输出目标分辨率。
HRNet架构作为编码器
通过跨时间信息融合和成对方案来提高模型性能。
跨时间信息融合
模型能够通过预测建筑中心点来估算建筑数量，而无需额外的后处理步骤。
解码器块宽度n将输入采样率提高2倍
结论与未来工作
研究强调了及时准确的建筑信息对于灾难响应和服务规划的重要性。
高度预测和建筑物检测输出的示例
同时指出了遥感分析改进可能带来的潜在问题，如假阴性和假阳性结果的风险。
研究提供了一种使用Sentinel-2数据进行高分辨率建筑和道路检测的新方法。
指出了该方法的局限性，并提出了未来研究的方向，如改进模型以检测变化和探索新的超分辨率技术。
写在最后
本文为你分享了Sentinel-2卫星图像进行高分辨率建筑和道路检测的方法文档。
你可以立即点击"分享"按钮，将本文免费分享给你的朋友！