该工作是武汉大学测绘遥感信息工程国家重点实验室RSIDEA团队在地表覆盖分类方面的工作，已被NeurIPS 2021 Datasets and Benchmarks Track接收。在大规模高分地表覆盖制图任务中，城市和农村发展不同与地理环境差异限制深度网络的泛化性。本文构建了一个城市-农村域自适应地表覆盖数据集LoveDA（Land-cOVE dataset for Domain Adaptation）同时推进推进语义分割和迁移学习。LoveDA 数据集包含来自三个不同城市的5987张0.3m高分辨率影像和166,768个标注语义对象。LoveDA 数据集包含两个领域（城市和农村），这带来了相当大的挑战：1）多尺度对象；2)复杂的背景样本；3)不一致的样本分布。LoveDA 数据集适用于土地覆盖语义分割和无监督域适应(UDA)任务。因此，我们在11种语义分割方法和8种域自适应方法上对 LoveDA 数据集进行了基准测试。此外还进行了一些探索性研究，包括多尺度架构和策略、额外的背景监督和伪标签分析，以应对这些新挑战。

论文地址: https://arxiv.org/pdf/2110.08733.pdf 

代码与数据: https://github.com/Junjue-Wang/LoveDA

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除