HiResNet：一个从低层次到高层次的深度学习框架，用于更新大规模土地覆盖信息

《IEEE Transactions on Geoscience and Remote Sensing》：HiResNet: A Low-to-High Deep Learning Framework for Updating Large-Scale Land-Cover Inventory

　　

摘要：

这种大规模土地覆盖（LC）制图对于监测地球表面和管理环境变化至关重要。尽管机器学习（ML）和深度学习（DL）方法在LC制图方面取得了显著进展，但由于高质量训练标签的收集过程耗时且成本高昂，这些方法仍然存在重大局限性。为了解决这一挑战，我们提出了HiResNet这一新型DL框架，该框架结合了卷积神经网络（CNN）中的多尺度特征提取器（MSFE）、视觉变换器（ViT）架构以及半监督损失函数，利用现有的低分辨率（LR）30米LC地图生成10米分辨率的LC地图。该框架在生成高分辨率（HR）10米LC地图时，减少了对高分辨率（HR）训练标签的依赖，同时使用了Sentinel-2卫星图像和低分辨率30米标签。在加拿大安大略省（ON）对该方法进行了性能评估，该地区拥有多样化的地貌和不同的LC类型，覆盖面积约为107万平方公里。结果表明，所提出的模型在提高空间分辨率和实现高分类精度方面表现出色，大规模LC分类的总体准确率（OA）达到了89%。与传统方法和先进的DL架构（如SegFormer、ViT、随机森林（RF）、DeepLabV3和HRNet）相比，该方法在处理类别不平衡和提取复杂特征方面表现更为优越。此外，通过香农熵和类别不一致度指标进行的不确定性估计显示，最高的不确定性水平与物体边缘、狭窄特征（如河流和道路）以及森林等复杂LC类别相关。