降低注释工作量：一种创新的弱监督系统，利用开源数据进行全国范围建筑物提取

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Reducing Annotation Effort: An Innovative Weakly Supervised System for Nationwide Building Extraction Leveraging Open-source Data

　　

摘要：

深度学习的最新进展提高了从卫星图像中自动提取建筑物轮廓的能力，但由于建筑物外观存在显著的区域差异以及模型泛化所需的手动标注成本高昂，全国范围内的应用仍然具有挑战性。我们提出了一个模块化的弱监督框架，该框架利用噪声较大的OpenStreetMap（OSM）建筑物轮廓作为大规模建筑物提取的可扩展监督数据。所提出的系统包括：(i) 一个轻量级的标注校正模块，用于提高基于OSM的训练标签的几何一致性；(ii) 一种教师-学生微调策略，逐步优化伪标签以增强跨区域泛化能力；(iii) 一个城市规模的评估模块，配备优化的匹配算法，用于可靠的地物轮廓级评估。我们通过在日本进行的全国性实验验证了该框架的实用性，在33.5天内生成了约4960万个建筑物轮廓，总云服务成本为4470美元。在我们的日本基准测试中，仅使用2%的数据进行微调，模型就能达到0.83的F1分数。在不同地区，标注校正使边界框的IoU提高了20%，并将平均F1分数提高了约0.12（与使用原始OSM轮廓相比）。此外，在相同的基准测试中，弱监督微调的性能达到了全监督方法的90%左右，而无需额外的手动标注。总体而言，我们的工作为提高全国范围内建筑物轮廓提取的泛化能力提供了一种可复制且成本效益高的解决方案。提取的建筑物轮廓和配置已公开发布在：https://github.com/sekilab/Japan footprint dataset。