新框架LC-SLab通过基于对象的深度学习增强土地覆盖制图

研究人员开发了LC-SLab，一个新颖的深度学习框架，用于利用卫星图像和稀疏实地标签进行大规模土地覆盖分类。这种基于对象的方法将标签分配给连贯的区域而非单个像素，旨在生成空间上更连贯的地图。该框架通过图神经网络支持输入级聚合，并通过后处理语义分割结果实现输出级聚合，并整合预训练网络的特征以提高在较小数据集上的性能。使用Sentinel-2图像和LUCAS标签进行的评估表明，LC-SLab配置可以匹配或超越像素级模型的准确性，同时显著减少地图碎片化。 AI

影响 该框架可以提高从卫星数据派生的土地覆盖图的准确性和连贯性，造福于各种地球科学应用。

排序理由 该集群描述了一篇详细介绍用于特定科学应用的新颖深度学习框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• Earth science
• graph neural networks
• Johannes Leonhardt
• LC-SLab
• LUCAS
• semantic segmentation
• Sentinel-2

• 论文
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →