Learning without Exact Guidance: Updating Large-scale High-resolution Land Cover Maps from Low-resolution Historical Labels

大规模高分辨率土地覆盖制图是调查地球表面和解决人类面临的许多挑战的重要任务。然而，由于复杂的地面细节、各种地形以及在广泛地理区域上准确的训练标签的稀缺性，它仍然是一个非常困难的任务。在本文中，我们提出了一个有效的、弱监督的框架（Paraformer），即低到高网络（L2HNet）V2，用于利用低分辨率（LR）的易于获取的历史土地覆盖数据指导大规模高分辨率土地覆盖制图。具体而言，现有的土地覆盖制图方法揭示了CNN在保留局部地面细节方面的优势，但仍然受到在各种地形中不充足的全局建模的影响。因此，我们在Paraformer中设计了一个并行的CNN-Transformer特征提取器，由不降采样的CNN分支和Transformer分支组成，共同捕捉局部和全局的上下文信息。此外，面对训练数据的空间不匹配，我们采用了一个伪标签辅助训练（PLAT）模块，用于合理地改进弱监督的HR图像语义分割的LR标签。在两个大规模数据集上的实验证明，Paraformer比其他最先进的方法更优秀，可以自动更新从LR历史标签到HR土地覆盖地图。

解决大规模高分辨率土地覆盖制图的问题，包括复杂的地面细节、各种地貌和广泛地理区域内准确训练标签的稀缺性。

提出了一种弱监督框架Paraformer，即Low-to-High Network (L2HNet) V2，通过低分辨率历史土地覆盖数据引导大规模高分辨率土地覆盖制图。Paraformer设计了一个并行的CNN-Transformer特征提取器，由一个无下采样的CNN分支和一个Transformer分支组成，以共同捕捉局部和全局上下文信息。此外，采用伪标签辅助训练（PLAT）模块来合理地细化低分辨率标签，以进行高分辨率图像的弱监督语义分割。

Paraformer在两个大规模数据集上的实验表明，相比其他最先进的方法，它在从低分辨率历史标签自动更新高分辨率土地覆盖地图方面具有优越性。此外，Paraformer的PLAT模块在弱监督语义分割方面也表现出色。

最近的相关研究包括使用深度学习方法进行土地覆盖分类的研究，以及使用不同的数据源进行土地覆盖制图的研究。例如，一些研究使用遥感图像进行土地覆盖分类，而另一些研究使用人工智能技术进行土地覆盖制图。