Zenodo (CERN European Organization for Nuclear Research)·9月2日 · 周三论文农业遥感与作物表型阅读 3
Deep Learning Based Semantic Segmentation of Satellite Imagery for Land Cover Classification
Antony Daniel Rex. J · R. Vidya · A. Martin
论文解读
67接近精选线
速览
综述深度学习用于卫星影像土地覆盖分类的语义分割方法，并分析挑战与未来方向。
方法
综述CNN、Transformer及混合架构，案例为EfficientNet-V
发现
混合架构性能优，但存在类别不平衡、计算成本高、泛化差等问题。
机会点
可探索轻量级混合架构或自监督学习，以提升农业土地覆盖分类的精度与泛化能力。
影响力12
信息增量20
专业深度18
信源权威10
时效性7
综述深度学习用于卫星影像土地覆盖分类，对农业监测有参考价值，但偏学术，影响有限。
原文摘要
基于遥感影像的土地覆盖分类支撑着农业监测、城市规划、灾害响应和环境评估，而深度学习已成为从卫星场景中提取像素级土地覆盖信息的主导范式。本综述回顾了基于深度学习的土地覆盖分类与语义分割的最新进展，将相关文献组织为基于卷积神经网络（CNN）的编码器-解码器架构、注意力与自注意力机制、Transformer及CNN-Transformer混合架构，以及优化增强和基础模型适配方法等类别。我们总结了所评述研究中报告的数据集、评估指标和对比性能，并以一个具有代表性的混合EfficientNet-Vision Transformer框架作为案例研究，以说明当前的设计趋势。本文指出了持续存在的挑战，包括道路等狭窄结构的类别不平衡问题、基于混合Transformer模型的计算成本、跨数据集泛化能力有限，以及密集标注数据的稀缺性。综述最后概述了有前景的未来方向，包括轻量级混合架构、自监督和弱监督学习、大型视觉基础模型的适配、多传感器数据融合以及可解释的土地覆盖制图。