基于自监督深度学习(SSL)的超高分辨率遥感影像城市地物分类方法研究

来自法国的研究人员针对超高分辨率(VHR)遥感影像的城市地表覆盖分类难题，创新性地采用自监督深度学习(SSL)框架，通过设计对比学习策略实现了无标注数据下的特征提取。该研究在多个城市数据集上达到85.7%的总体精度，为智慧城市(Smart City)建设中的自动化地物识别提供了新范式。

　　

这项突破性研究展示了自监督深度学习(self-supervised learning, SSL)在超高分辨率(very high resolution, VHR)遥感影像解译中的强大潜力。研究团队巧妙构建了基于对比学习(contrastive learning)的预训练框架，使模型能在无人工标注情况下自动学习城市地物的判别性特征。通过多尺度特征融合(multi-scale feature fusion)和注意力机制(attention mechanism)，系统成功识别出建筑物、道路、植被等典型城市要素，在ISPRS标准数据集上mIoU达到0.812。特别值得注意的是，该方法显著降低了传统深度学习对标注数据的依赖，其提出的双分支孪生网络(Siamese Network)结构能有效捕捉影像的空间上下文关系(spatial-contextual relationships)。这项技术为实时更新城市地理信息系统(GIS)提供了自动化解决方案，在智慧城市(smart city)规划、灾害监测等领域具有重要应用价值。