摘要
深度学习方法在遥感高空间分辨率（HSR）土地覆盖制图中已展现出令人瞩目的成果。然而，城市与乡村场景往往呈现出截然不同的地理景观特征，现有算法在跨区域场景下的泛化能力不足，严重制约了城市级乃至国家级土地覆盖制图的实现。目前大多数HSR土地覆盖数据集主要致力于推动语义表征学习的研究，却忽视了模型的可迁移性问题。为此，本文提出了Land-cOVEr Domain Adaptive语义分割数据集（LoveDA），以促进语义学习与可迁移学习的发展。LoveDA数据集包含来自三个不同城市的5987幅高分辨率遥感图像，共标注166,768个地物对象。相较于现有数据集，LoveDA首次涵盖城市与乡村两种不同域（domain），带来了显著挑战，主要包括：1）多尺度地物对象；2）复杂的背景样本；3）类别分布不一致。该数据集适用于土地覆盖语义分割以及无监督域自适应（Unsupervised Domain Adaptation, UDA）等任务。为此，我们在11种语义分割方法和8种UDA方法上对LoveDA数据集进行了基准测试。此外，我们还开展了若干探索性研究，包括多尺度网络架构与策略设计、额外背景监督机制引入以及伪标签分析，以应对上述挑战。相关代码与数据已公开，获取地址为：https://github.com/Junjue-Wang/LoveDA。