本研究旨在開發一個整合大氣校正和深度學習分割模型的方法,用於高解析度衛星影像的土地利用/覆蓋(LULC)分類。
首先,研究採用基於查找表的輻射傳輸模擬(6S模型)來估計大氣路徑反射率和透射率,以校正CARTOSAT-3 MX影像的大氣效應,獲得可靠的地表反射率數據。
接下來,研究將校正後的地表反射率數據輸入到監督和半監督的分割模型中,評估在稀疏標註數據情況下的多類LULC分割性能。具體包括:
使用Cross Pseudo Supervision (CPS)半監督學習方法,通過兩個分割網絡的一致性正則化實現有效的LULC分割。
採用預測集成和預測合併等後處理技術,進一步提高分割精度。
以召回率作為評估指標,避免稀疏標註帶來的偏差。
結果表明,大氣校正後的地表反射率數據可以顯著提高CPS模型在建築物、道路、樹木和水體等LULC類別的分割性能,相比於使用原始影像數據有明顯改善。未來可進一步優化模型,如針對特殊區域(如建築物陰影)的分類問題。
Başka Bir Dile
kaynak içeriğinden
arxiv.org
Önemli Bilgiler Şuradan Elde Edildi
by Soham Mukher... : arxiv.org 09-10-2024
https://arxiv.org/pdf/2409.05494.pdfDaha Derin Sorular