对最近基于深度学习的语义细分来测量城市绿色的审查
Doo Hong Lee1, Hye Yeon Park2, Joonwhoan Lee3
1Landscape Architecture and Environmental Planning, College of Agriculture and Applied Sciences, Utah State University, Logan, UT 84322, USA.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
深度学习语义细分推进了用于景观分析的城市绿色空间 (UGS) 测量. 准确的细分对于绿色度量化和规划至关重要,即使在深度学习模型可解释性挑战的情况下也是如此.
科学领域:
- 环境科学环境科学
- 计算机科学 计算机科学
- 城市规划是城市规划.
背景情况:
- 精确测量城市绿色空间 (UGS) 对于有效的景观分析和城市规划至关重要.
- 传统的UGS测量方法在准确性和效率方面存在局限性.
- 深度学习 (DL) 的最新进展为增强的UGS分析提供了潜在的解决方案.
研究的目的:
- 审查深度学习 (DL) 基于语义细分的最新技术突破,用于城市绿色空间测量.
- 探索量化绿色度指标及其与语义细分技术的整合.
- 阐明UGS测量和细分任务的演变,用于先进的景观分析.
主要方法:
- 对应用到UGS的语义细分的深度学习 (DL) 模型的审查.
- 将量化绿色度量分类为基于计划视图和前景视图的方法 (例如,土地类别分类 (LCC),绿色视图指数 (GVI)).
- 探索UGS测量构建的性能指标和公共数据集.
- 对空中图像的无监督域适应 (UDA) 的讨论.
主要成果:
- 精确的语义细分对于细粒度的绿色测量和定性景观评估至关重要.
- 深度学习模型显著提高了UGS分析的效率和准确性.
- 无监督域适应 (UDA) 有助于解决诸如尺度变化和空中图像中有限的标记数据等挑战.
结论:
- 基于深度学习的语义细分对于准确的城市绿色空间测量和景观分析是不可或缺的.
- 需要对DL模型可解释性和UDA技术进行进一步的研究,以实现可靠的UGS量化.
- 本综述为城市绿色空间研究的研究人员提供了对DL进步的见解.
