如何将历史生产数据转为高质量样本数据集，为深度学习提供科学的“食料”，满足多样化的“胃口”？请关注FeatureStation的解决方案——“样本批量切片-样本批量清洗-人机协同精化-样本自动生成”。
FeatureStation研发团队针对现有解译样本数据集区域受限、时效性不强、类型单一等问题，基于现有数据资源，研究了面向深度学习的遥感影像智能解译样本库动态构建技术，提出了业务驱动的样本应需生成-动态构建-智能应用的思路，设计了具有区域性、时序性、尺度性、多类型的样本库，提出了顾及空间-时间-地类关系的样本库管理模式，助力推动实现样本构建-管理-应用及数据-模型-业务的互联互通，为高分遥感影像智能解译样本库构建与应用提供参考思路。
对成果数据进行投影一致性转换与分块切割。
样本批量清洗
去除质量不好的图斑样本，如零值占比大、异性占比大、云量占比多等。
利用SAM大模型及半自动提取工具对样本进行进一步精化，使边界与地物尽量吻合。SAM模型根据这些点、线、矩形提示，自动提取目标地物边界。
将精化后的矢量样本转为栅格形式，形成深度学习要求的样本对数据集（如，前时相影像切片-后时相影像切片-栅格样本切片）。
技术细节见参考文献：顾海燕,杨懿,李海涛,等 高分辨率遥感影像样本库动态构建与智能解译应用[J].测绘学报,2024,53(06):1165-1179. DOI: 10.11947/j. AGCS.2024.20230469.
扫码试用
技术支持群
单 位：中国测绘科学研究院
地 址：北京市海淀区莲花池西路28号
电 话： 010-63880577
网 址：www.casm.ac.cn
