elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Learning from Noisy Samples for Man-made Impervious Surface Mapping

Qiu, Chunping und Gamba, Paolo und Schmitt, Michael und Zhu, Xiao Xiang (2020) Learning from Noisy Samples for Man-made Impervious Surface Mapping. In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V-3, Seiten 787-794. ISPRS 2020, 2020-08-31 - 2020-09-02, online. doi: 10.5194/isprs-annals-V-3-2020-787-2020. ISSN 2194-9042.

[img] PDF
21MB

Offizielle URL: https://www.isprs-ann-photogramm-remote-sens-spatial-inf-sci.net/V-3-2020/787/2020/

Kurzfassung

Man-made impervious surfaces, indicating the human footprint on Earth, are an environmental concern because it leads to a chain of events that modifies urban air and water resources. To better map man-made impervious surfaces in any region of interest (ROI), we propose a framework for learning to map impervious areas in any ROIs from Sentinel-2 images with noisy reference data, using a pre-trained fully convolutional network (FCN). The FCN is first trained with reference data only available in Europe, which is able to provide reasonable mapping results even in areas outside of Europe. The proposed framework, aiming to achieve an improvement over the preliminary predictions for a specific ROI, consists of two steps: noisy training data pre-processing and model fine-tuning with robust loss functions. The framework is validated over four test areas located in different continents with a measurable improvement over several baseline results. It has been shown that a better impervious mapping result can be achieved through a simple fine-tuning with noisy training data, and label updating through robust loss functions allows to further enhance the performances. In addition, by analyzing and comparing the mapping results to baselines, it can be highlighted that the improvement is mainly coming from a decreased omission error. This study can also provide insights for similar tasks, such as large-scale land cover/land use classification when accurate reference data is not available for training.

elib-URL des Eintrags:https://elib.dlr.de/138485/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Learning from Noisy Samples for Man-made Impervious Surface Mapping
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Qiu, ChunpingTechnichal University MünchenNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Gamba, PaoloUniversity of PaviaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schmitt, MichaelTUMNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao Xiangxiao.zhu (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:August 2020
Erschienen in:ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Ja
Band:V-3
DOI:10.5194/isprs-annals-V-3-2020-787-2020
Seitenbereich:Seiten 787-794
ISSN:2194-9042
Status:veröffentlicht
Stichwörter:remote sensing, man-made, impervious surface mapping
Veranstaltungstitel:ISPRS 2020
Veranstaltungsort:online
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:31 August 2020
Veranstaltungsende:2 September 2020
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Fernerkundung u. Geoforschung
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Bratasanu, Ion-Dragos
Hinterlegt am:26 Nov 2020 17:10
Letzte Änderung:24 Apr 2024 20:40

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.