面向城市功能区分类的光学遥感影像-OSM数据联合自监督学习方法
Self-supervised learning based urban functional zone classification by integrating optical remote sensing image-OSM data作者机构：中南大学地球科学与信息物理学院湖南长沙410083 广州大学地理科学与遥感学院广东广州510006 广州大学黄埔研究院广东广州510000 香港理工大学土地测量及地理资讯学系中国香港999077
出 版 物：《测绘学报》 (Acta Geodaetica et Cartographica Sinica)
年 卷 期：2025年第54卷第1期
页 面：154-164页
核心收录：
学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术]
基 金：湖南省杰出青年基金(2022JJ10072) 国家自然科学基金(42171376,42471419)
主 题：城市功能区 光学遥感影像 OSM 自监督学习 多模态
摘 要：城市功能区的快速准确分类为城市规划和管理提供科学依据,有助于实现城市的可持续发展。尽管光学遥感影像提供了丰富的视觉信息,但其无法充分反映社会属性,易引发语义歧义。因此更多研究尝试联合使用包含城市社会属性的数据(如OSM数据)和光学遥感影像以期达到互补效果。但这一思路面临两个主要挑战:一是光学影像与OSM数据存在数据结构差异,传统的融合方法在特征提取阶段缺乏充分交互融合,导致模型难以充分学习数据之间的互补优势;二是随着模型学习使用的数据模态增多,训练一个稳定的模型需要更多的人工标注数据,但这显著提高了城市功能区分类模型应用的人力成本。针对上述问题,本文提出了一种面向城市功能区分类的光学遥感影像-OSM数据联合自监督学习方法。一方面,将OSM数据与光学影像在空间分布、数据结构等方面进行统一,然后在统一的多模态融合编码架构中进行特征提取和交互融合,以学习跨模态通用性表征。另一方面,采用自监督模型在大规模无标注数据上预训练,再通过少量标注数据将模型迁移到特定城市功能区分类任务中,从而减少人工成本。本文通过在北京、洛杉矶和伦敦3个大尺度区域进行城市功能区分类试验,证明了本文方法较现有主流方法的性能优势。
维普期刊数据库
