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

使用多时相遥感图像进行城市细粒度变化分割对于理解城市区域中人类与环境的相互作用至关重要。尽管高质量的土地覆盖数据集已经有所进展，揭示了城市景观的物理特征，但细粒度土地利用数据集的缺乏阻碍了对人类活动在景观中分布及其对环境的影响的深入理解，从而限制了适当技术的发展。为了解决这个问题，我们介绍了FUSU，这是第一个用于细粒度城市语义理解的细粒度土地利用变化分割数据集。FUSU是迄今为止最详细的土地利用分类系统，具有17个类别和300亿像素的注释。它包括双时相高分辨率卫星图像，地面采样距离为0.2-0.5米，以及每月的光学和雷达卫星时间序列，覆盖中国南北部五个城市区域的847平方公里，具有不同的地理特征。细粒度的土地利用像素注释和高时空分辨率数据为开发适当的深度学习模型提供了坚实的基础，以提供有关人类活动和城市化的上下文洞见。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。我们在各种任务的多种方法上对FUSU进行了基准测试。数据集和代码可在以下网址获得：https://github.com/yuanshuai0914/FUSU。

本论文试图解决城市变化细分的问题，即如何更好地理解城市区域内人类活动与环境的相互作用。同时，为了更深入地了解人类活动在城市景观中的分布以及这些活动对环境的影响，需要有更精细的土地利用数据集。

本论文提出了FUSU数据集，并介绍了其细粒度土地利用分类系统，包括17个类别和300亿像素的注释。该数据集包括双时相高分辨率卫星图像和月度光学和雷达卫星时间序列，覆盖了中国南北部五个城市区域，总面积为847平方公里。通过FUSU提供的像素级注释和高空间-时间分辨率数据，可以为开发适当的深度学习模型提供强有力的基础，以提供有关人类活动和城市化的情境性见解。同时，本论文还提出了一种统一的时间序列架构，用于变化检测和分割。

本论文的亮点包括：1）提出了FUSU数据集，包括最详细的土地利用分类系统和高空间-时间分辨率数据；2）提出了一种统一的时间序列架构，用于变化检测和分割；3）在多个任务上对FUSU进行了基准测试，并与其他方法进行了比较；4）数据集和代码已经公开。

最近的相关研究包括：1）基于遥感图像的城市土地利用变化检测；2）使用深度学习模型进行土地利用分类；3）使用时间序列数据进行城市变化分析。