摘要
本文从深度神经网络应用于遥感数据语义分割的角度，探讨了三个不同方面的问题。首先，我们聚焦于从遥感数据中进行建筑物语义分割，并提出了一种名为ICT-Net的新型网络结构。该网络在INRIA和AIRS两个基准数据集上进行了测试，结果表明，其在Jaccard指数上的表现分别优于其他所有先进方法超过1.5%和1.8%。其次，鉴于建筑物分类通常是三维重建流程中的第一步，我们进一步研究了分类精度与重建精度之间的关联性。最后，本文提出了一个简洁而具有说服力的新概念——隐式学习（latent learning），并探讨了其在深度学习背景下的重要意义。我们提出，一个针对主任务（如建筑物分类）进行训练的神经网络，会无意中学习到与主任务互补的辅助任务（例如道路、树木等的分类）的相关特征。我们在包含多标签真实标注的ISPRS基准数据集上对这一方法进行了广泛验证，结果表明：在道路分类上的平均F1分数为54.29%（标准差SD=17.03），汽车为10.15%（SD=2.54），树木为24.11%（SD=5.25），低矮植被为42.74%（SD=6.62），杂乱物体为18.30%（SD=16.08）。本文的源代码及补充材料已公开发布于：http://www.theICTlab.org/lp/2019ICT-Net/。