高分辨建筑和与道路数据提取技术文档分享

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!

相关推荐
水经注GIS2 个月前
全球1km分辨率人口分布栅格数据
资源分享
绝不原创的飞龙6 个月前
两性情感课程笔记 2020~2023
资源分享
孤飞7 个月前
在Centos 8 服务器用tmux多开窗口
资源分享