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。
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！
