RS DL
论文介绍
题目：Urban Building Classification (UBC) V2—A Benchmark for Global Building Detection and Fine-Grained Classification From Satellite Imagery
期刊：IEEE Transactions on Geoscience and Remote Sensing
论文：https://ieeexplore.ieee.org/document/10237272
创新点
全球多模态建筑检测与细粒度分类基准数据集：提供了一个包含20个城市、跨越五大洲的高分辨率遥感影像数据集（UBC V2），标注了499,339个建筑实例，包括12种细粒度屋顶类型。数据集首次融合了光学影像和SAR影像（17个城市），实现了两种模态的精确对齐。 细粒度屋顶分类：定义了12种屋顶类型，结合了几何特征和遥感数据特点，提供了更精细的建筑分类基础。 几何特征编码模块（CGT）：提出了一个类特定几何transformer模块，通过捕获建筑的几何特征（如边缘、线条和形状），提升了细粒度分类的性能。
数据
Urban Building Classification (UBC) V2，覆盖 全球20个城市，分布于五大洲，代表了不同的建筑风格和空间分布类型。包含 499,339个建筑实例，每个建筑用多边形标注，分类为12种屋顶类型。提供光学影像和多模态影像（光学 + SAR）的组合。
城市包括北京、慕尼黑、巴塞罗那、东京、圣路易斯等，覆盖五大洲。
数据集确保了建筑在外观（例如材料和风格）和空间分布（例如密集程度和排列方式）上的多样性。
每个城市包含了从商业区、高密度居民区到工业区和城郊的建筑样本。
数据集中建筑的空间排列从稀疏（如别墅区）到高度密集（如巴塞罗那的城市块）。
屋顶风格的分类涵盖了典型的全球建筑特征，例如平屋顶、双坡屋顶、拱形屋顶等。
光学影像：来自中国高分二号（GaoFen-2）和SuperView-1卫星，地面分辨率为0.5米（通过全色锐化）。
SAR影像：来自中国高分三号（GaoFen-3）卫星，提供C波段单极化SAR影像。分辨率：1米（通过重采样至0.5米以与光学影像一致）。
多模态对齐：对17个城市提供了光学和SAR影像的精确几何对齐。
标注过程：使用OpenStreetMap（OSM）、Google Maps等高质量数据源为参考，结合专业标注团队手动调整。每个建筑实例通过多边形表示，并分配到12个细粒度屋顶类型之一。对复杂结构（例如内庭院）进行了精细标注。
质量控制：标注由专业团队完成，使用严格的多轮质检流程。涉及15名标注员和2名检查员，对有争议的结果进行联合讨论以决定最终分类。
屋顶分类设计：定义了12种细粒度的屋顶类型，包括平顶、双坡顶、四坡顶、拱形顶、锥形顶等。分类基于主流标准（如OSM、CityGML）并结合遥感数据特性优化。
格式：遵循COCO数据集格式，方便使用主流计算机视觉工具。
分割策略：每个城市的影像被裁剪为2000 × 2000像素的中型块，再细分为512 × 512像素的小型块，重叠部分为200像素。
数据集分为训练集、验证集和测试集，比例为6:2:2。
数据规模：总计11,336块影像，其中训练集6556块，验证集2507块，测试集2273块。多模态数据包括17个城市，含350,866个建筑实例。
6. 屋顶类型与实例分布
类别分布：数据集中不同屋顶类型的实例数量不均，具有长尾分布。最常见的类型为“平屋顶”，占比最高。
实例尺寸：建筑实例的尺寸跨度较大，最小面积小于10像素，最大面积接近几千像素。不同类型屋顶的尺寸分布差异显著，例如行屋顶（row roofs）通常面积较大，而锥形顶（pyramid roofs）相对较小。
长宽比：数据集中还统计了实例的长宽比（bounding box的长宽比），某些类型（如拱形顶）的长宽比超过100，增加了检测的难度。
方法
遥感影像中的建筑实例具有明显的几何特征（如边缘、形状和轮廓），这些特征对细粒度分类（如区分不同类型屋顶）至关重要。
传统实例分割模型（如Mask R-CNN）在捕捉细致的几何结构上存在不足，难以准确区分建筑的细粒度类别。
CGT模块通过专注于几何特征的提取与类特定学习，提升模型的分割和分类性能。
模块功能
几何特征提取
使用Sobel算子提取建筑的水平和垂直边缘特征。
水平边缘突出横向轮廓，垂直边缘突出纵向轮廓，组合后形成完整的几何信息。
提取的几何特征通过卷积网络转化为高维特征，便于后续处理。
类特定几何学习
采用Transformer解码器对几何特征进行解码。
解码器通过类特定的查询（Class-Specific Queries），学习每种建筑类别独有的几何模式。
例如，不同类型屋顶（平顶、拱形顶、双坡顶等）在边缘和几何特征上表现出显著差异。
细粒度分类增强
提取的几何特征被集成到实例分割模型中，使模型能够更准确地分割并分类建筑实例。
提高了对几何特征明显的目标（如长条形或拱形屋顶）的分类能力。
实验与分析
实验结果
可视结果
不同城市数据交叉验证
更多图表分析可见原文
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
RSE | 1.85亿中国建筑轮廓数据: 首个基于深度学习生成的中国亚米级建筑footprints数据
TGRS | P2PFormer: 武大等提出遥感建筑轮廓提取新pipeline
TGRS | Easy-Net: 轻量级建筑提取网络, 基于建筑本身特征, 结合CNN和Transformer
RSE | 基于高分七号影像估计中国超过70万个建筑高度, 结合深度学习和摄影测量技术
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
