Key points are not available for this paper at this time.
Klassifizierungsaufgaben zur Landnutzungskartierung (LC) sind aufgrund der komplexen und heterogenen Eigenschaften von Fernerkundungsbildern (RSIs) herausfordernd. Aktuelle LC-Klassifikationen basieren hauptsächlich auf tiefen konvolutionalen neuronalen Netzwerken (DCNNs), und frühere Arbeiten haben gezeigt, dass räumlicher Kontext wesentliche Hinweise zur Leistungsverbesserung bieten kann. Dennoch haben sie einige Nachteile, die die Kontextaufnahmefähigkeit einschränken: die Mehrdeutigkeit des globalen Kontexts und das Fehlen einer effizienten Kontextkombinationsstrategie. Um diese Probleme anzugehen, entwickeln wir ein mehrstufiges kontextuelles LC-Rahmenwerk (MLCC), das den effektiven globalen Kontext adaptiv mit dem lokalen Kontext für die LC-Klassifizierung integrieren kann. Das MLCC-Rahmenwerk besteht aus zwei Modulen: einem DCNN-basierten LC-Klassifizierungsnetzwerk (DLCN) und einem Modul zur Integration mehrstufiger Kontexte (MCIM). Durch ein gut definiertes tiefes Netzwerk kann DLCN das effektive globale Kontextmerkmal verbessern und gleichzeitig die mehrdeutige Darstellung schwächen. Darüber hinaus ermöglicht MCIM eine adaptive Kombination des globalen und lokalen Kontexts unter der Anleitung einer Unsicherheitskarte auf effiziente Weise. Diese kollaborative globale-lokale kontextuelle Information verbessert die diskrimierende Merkmalsdarstellung für eine effektive und effiziente LC-Klassifizierung weiter. Die Experimente mit LC-Datensätzen zeigen, dass das vorgeschlagene MLCC über eine überlegene Fähigkeit zur Erfassung kontextueller Merkmale verfügt und somit die bestehenden Methoden übertrifft.
Cheng et al. (Fri,) haben diese Frage untersucht.