【论文阅读】Enabling country-scale land cover mapping with meter-resolution satelliteimagery

1. 本文贡献

• 由于土地覆盖格局复杂，训练样本采集成本高，以及地理差异或获取条件等因素导致卫星图像分布变化严重，很少有研究将高分辨率图像应用于大尺度详细分类的土地覆盖制图。为了填补这一空白，本文提出了一个大规模的土地覆盖数据集，50亿像素。它包含150张高分辨率高分2号（4米）卫星图像，超过50亿标记像素，在24个类别系统中标注，包括人工建造，农业和自然类别。
• 提出了一种基于深度学习的无监督域自适应方法，该方法可以将在标记数据集（称为源域）上训练的分类模型转移到大规模土地覆盖制图的未标记数据（称为目标域）上。

2. “50亿像素”数据集

        本文提出的大规模土地覆盖数据集名为“50亿像素”。由150张GF-2卫星图像组成，在一个更完整的分类系统中进行了注释。它具有类别丰富、覆盖范围大、分布广、空间分辨率高（4m）的优点。数据集地址：https://x-ytong.github.io/project/Five-Billion-Pixels.html

        数据集的特点：

• 丰富的类别：50亿像素的类别系统具体包括：工业区、城市住宅、农村住宅、体育场、广场、道路、立交桥、火车站、机场、水田、灌溉田、旱地、园地、乔木林、灌木林、公园、天然草甸、人工草甸、河流、湖泊、池塘、鱼塘、雪地、裸地。
• 覆盖范围大：50亿像素”中包含的150张GF-2卫星图像的总地理覆盖面积超过50,000平方公里。
• 分布广泛：50亿像素的图像来源来自中国60多个分散的行政区域，如上图所示。由于地理分布广泛，“50亿像素”可以反映不同气候、海拔和地质条件下的景观变化。

3. 预测分类的方法

        为了使 DCNNs 适应一个新的领域，没有比拥有其特征分布的示例更好的方法了。面对没有标注信息的 𝑻，本文受到伪标签的启发，提出了一种 UDA 方法，该方法从 𝑻 收集可靠的逐像素示例以进行模型自适应。与基于差异和基于对抗的 UDA 方法（这两种方法迫使两个分布在特征空间中对齐）相比，伪标记更灵活，对于复杂的现实世界情况可能更可靠。   

3.1 网络架构

<