UB-FineNet: Urban Building Fine-grained Classification Network for Open-access Satellite Images

这篇文章讨论了利用卫星遥感图像进行城市建筑物的细分类是一个具有重要意义的研究领域，对城市规划、基础设施发展和人口分布分析有着重要的影响。然而，这项任务面临着很大的挑战，因为高空卫星平台获取的低分辨率俯瞰图像和细粒度城市建筑物类别的长尾样本分布导致了严重的类别不平衡问题。为了解决这些问题，作者提出了一种基于深度网络的方法，利用开放获取的卫星图像进行城市建筑物的细粒度分类。首先介绍了基于去噪扩散概率模型（DDPM）的超分辨率方法，它受益于领域自适应知识蒸馏。然后，提出了一种新的细粒度分类网络，它具有类别信息平衡模块（CIBM）和对比监督（CS）技术，以减轻类别不平衡问题，提高分类的鲁棒性和准确性。在香港数据集上进行的实验显示出有希望的分类结果，11种细粒度建筑类型的平均Top-1准确率为60.45％，与基于街景图像的方法相当。广泛的消融研究表明，与基线方法相比，CIBM和CS分别提高了2.6％和3.5％的Top-1准确率。这两个模块都可以轻松地插入到其他分类网络中，并取得了类似的增强效果。该研究通过提供一种利用开放获取的卫星图像在具有挑战性的大城市场景中进行建筑物细分类的实用解决方案，为城市分析领域做出了贡献。所提出的方法可以作为城市规划师的有价值工具，帮助理解经济、工业和人口分布。

论文旨在解决利用低分辨率卫星遥感图像进行城市建筑物的细粒度分类的问题，其中包括长尾样本分布和类别不平衡问题。

论文提出了一种深度网络方法，利用开放获取的卫星图像进行城市建筑物的细粒度分类。该方法首先采用基于Denoising Diffusion Probabilistic Model（DDPM）的超分辨率方法来提高卫星图像的空间分辨率，然后提出了一种新的细粒度分类网络，其中包括类别信息平衡模块（CIBM）和对比监督（CS）技术，以缓解类别不平衡问题并提高分类的鲁棒性和准确性。

论文在香港数据集上进行了实验，共有11种建筑物类型，结果显示平均Top-1准确率为60.45％，与基于街景图像的方法相当。广泛的消融研究表明，与基线方法相比，CIBM和CS分别将Top-1准确率提高了2.6％和3.5％。该研究通过提供使用开放获取的卫星图像进行城市建筑物的细粒度分类的实用解决方案，为城市分析领域做出了贡献。

在这个领域的相关研究包括：1. A Multi-Scale and Multi-Modal Deep Convolutional Neural Network for Building Extraction from Aerial and Space Images；2. Building Detection in Aerial Images Using Convolutional Neural Networks；3. High-Resolution Remote Sensing Image Classification Using Deep Convolutional Neural Networks。