城市遥感中的弱监督学习：概念、方法与应用

《IEEE Geoscience and Remote Sensing Magazine》：Weakly Supervised Learning in Urban Remote Sensing: Concepts, methods, and applications

　　

摘要：

城市遥感的重要性日益凸显，但大规模高质量标注数据的缺乏严重限制了智能解译方法的发展。城市场景的复杂性进一步加剧了这一难题，这些复杂性包括强烈的物质异质性、多样的二维/三维空间结构以及较高的时间动态性。在此背景下，弱监督学习作为一种有前景的范式应运而生，它能够在有限监督条件下降低标注成本并实现有效的模型训练。本文对城市遥感中的弱监督学习进行了系统综述，内容从基本概念到方法论框架及实际应用均有涉及。具体而言，我们首先介绍了弱监督学习的基本概念，并总结了三种弱监督场景：不完整监督、不精确监督和不准确监督。接着，我们回顾了九种具有代表性的方法类别及其主要发展分支，阐述了不同方法如何应对城市遥感特有的挑战。此外，我们还研究了弱监督学习在七个主要城市领域的应用，从而明确了方法发展与现实城市任务之间的关系。最后，我们强调了需要专门为弱监督城市遥感设计的基准数据集，以支持公平且标准化的评估，同时探讨了若干有前景的未来发展方向，包括基础模型、多源多模态融合以及持续学习。