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

• Published in: 测绘学报 Vol. 54; no. 1; pp. 154 - 164
• Main Authors: 李佳铃, 齐霁, 鲁伟鹏, 陶超
• Format: Journal Article
• Language: Chinese
• Published: 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,香港 999077 17.02.2025; 广州大学地理科学与遥感学院,广东 广州 510006; 中南大学地球科学与信息物理学院,湖南长沙 410083%中南大学地球科学与信息物理学院,湖南长沙 410083
• Subjects: 自监督学习; 多模态; optical remote sensing images; 光学遥感影像; urban functional zone; OSM; self-supervised learning; multimodality; 城市功能区
• ISSN: 1001-1595
• DOI: 10.11947/j.AGCS.2025.20240067

P237; 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.