FUSU: A Multi-temporal-source Land Use Change Segmentation Dataset for Fine-grained Urban Semantic Understanding

在城市区域中，使用多时相遥感图像进行细粒度的城市变化分割对于理解人类与环境的相互作用至关重要。尽管遥感数据在城市监测方面取得了进展，但粗粒度的分类系统和缺乏连续的时序观测阻碍了深度学习在城市变化分析中的应用。为了解决这个问题，我们介绍了FUSU，这是一个用于细粒度城市语义理解的多源、多时相变化分割数据集。FUSU具有迄今为止最详细的土地利用分类系统，包括17个类别和300亿个像素的注释。它包括双时相的高分辨率卫星图像，地面采样距离为20-50厘米，并包括覆盖中国五个城市区域的月度光学和雷达卫星时间序列，总面积为847平方公里。细粒度的像素级注释和高时空分辨率的数据为深度学习模型理解城市化和土地利用变化提供了坚实的基础。为了充分利用FUSU，我们提出了一个统一的时间序列架构，用于变化检测和分割，并对FUSU进行了各种任务的基准测试。数据集和代码将在https://github.com/yuanshuai0914/FUSU上提供。

论文旨在解决城市变化分割中存在的分类系统粗糙、缺乏连续时间观测等问题，以提高深度学习在城市变化分析中的应用。

论文提出了一个多源、多时相的数据集FUSU，其中包括最详细的土地利用分类系统，以及高分辨率的卫星图像和月度光学和雷达卫星时间序列数据。同时，论文提出了一个统一的时间序列架构，用于变化检测和分割。

FUSU数据集包含17个类别和300亿像素的注释，覆盖了中国五个城市区域的847平方公里。论文还提供了开源代码。实验结果表明，论文提出的方法在各项任务中均取得了较好的效果。

在城市变化分割领域，最近的相关研究包括：'Learning to Detect and Classify Urban Changes from Multispectral Satellite Images'，'Deep Learning for Semantic Segmentation of Urban 3D Reconstruction Point Clouds'等。