本文是Water body classification from high-resolution optical remote sensing imagery: Achievements and perspectives的学习笔记。
相关资源被作者整理到：这里

Introduction

基本知识

ERTS-1是NASA于1972年发射的第一颗地球资源卫星，该系列从第二颗卫星开始改名为Landsat。图源

哨兵系列卫星（Sentinel）是欧空局哥白尼计划的一部分，主要用于对地观测。图源

SPOT系列卫星是法国空间研究中心（CNES）研制的一种地球观测卫星系统，已发射SPOT卫星1-7号。参考

高分系列卫星，即高分专项工程。该工程全名为高分辨率对地观测系统重大专项。参考

WorldView1-4是美国DigitalGlobe数字地球公司的系列光学遥感商业卫星。参考

挑战和机遇

挑战

1. 有限的光谱信息和小场景覆盖

除WorldView-3卫星外，其他常见的光学高分辨率传感器都不具备提供诸如短波红外波段（SWIR）等大量波段信息的能力，这使得大多数基于阈值的方法都是无效的。
目前，成熟的DL算法更喜欢将大尺寸样本裁剪成小尺寸（例如，256 × 256，512 × 512）块，然后使用它们来训练模型。与自然影像不同，遥感影像包含了更为复杂的地学知识和相互依赖的地物。特别是河流、湖泊等在地理上是连续的，但是小的场景覆盖破坏了连续性的应用，如下图所示。
最近老师给了一张16000*16000像素的tif图像，一张图1个G，让我自己裁剪着用，这我才明白为何要裁成小尺寸。

2. 形状、大小和分布的变化

水体的种类很丰富，大小、形状均不规则

不同区域的水体颜色也有着很大的差异

3. 场景复杂度

消除山体、建筑物、云阴影是提高水体信息分类精度的必要方面；
阳光闪烁（即，来自水面的光的镜面反射）是影响水体测绘的准确性的另一个重要因素；
蓝藻、赤潮等一系列水体富营养化产物在遥感影像上表现出植被等模糊信息，给水体或陆地边界的划分带来了困难。

4. 复杂而模糊的边界

建筑物边界一般很规整，水体则很复杂

5. 大尺寸图像数据集的不足

机遇

1. 有限的光谱信息和小场景覆盖

VHR（Very-High Resolution）相关的东西

2. 形状、大小和分布的变化

小目标分割
多尺度特征融合策略是处理可变目标识别最常用的策略。
扩大感受野是另一个有很大前景的可用策略。
如果分布差异大致等同于图像风格差异，则期望GAN消除分布差异。各种一致性训练被引入以约束GAN的训练。

3. 场景复杂度

高质量阴影检测算法和云去除算法提供了另一种潜在的解决方案。
对抗性攻击的干扰能模拟水污染造成的色调干扰吗？

4. 复杂而模糊的边界

各种各样的边界优化算法

5. 大尺寸图像数据集的不足

自监督等方法

方法

传统方法

1.阈值法

它们依赖于光谱信息而忽略了图像的空间信息，容易导致边界分类误差大，过渡区检测精度差的问题。

2.基于浅层分类器的方法

它们通常需要设计分类器函数，这些函数复杂且难以移植到其他场景

3.阈值+浅层分类器

实现比较复杂

深度学习方法

1.特征融合方法

水体的多尺度特征不仅是水体特征提取的难点，也是提高水体分类精度的关键。
作为最常用的基于深度学习的方法，基于特征融合的方法主要是根据水体的多尺度特征对网络结构进行优化。然而，在一定的DL模型参数的条件下，更有效的多尺度特征融合模块仍在开发中。

2.边界约束方法

虽然现有的基于边界约束的方法的实验结果表明，它们可以提高边界检测的准确性，但大多是通用的边界后处理优化方法和边界损失函数。针对水体弯曲边界的增强算法比较缺乏。

3.大场景上下文引导方法

相比于前两者，相关工作很少，是从大场景遥感影像中准确识别水体是一个很有前途的研究方向。

实际应用

监测洪水、提取各种水体

实验

文章总结了多个数据集和多个水体提取方法，在其中两个数据集上进行了对比实验，这里不多说

未来研究方向

我认为不错的方向有：

1. VHR
   最近几年CVPR也有相关的文章，如何高效处理超高分辨率图像也很有实际价值
2. CD
   利用多时段的图像做变化检测，也很有意义
3. Multimodel
   利用多模态图像提取信息也很有意义
   IEEE GRSS的数据融合比赛也一直关注的是多模态和多时段的数据

英文表达

RS has ushered in a climax of devel­opment
RS迎来了发展的高潮

In the background of increasing global water scarcity
在全球水资源日益短缺的背景下

cutting-edge
前沿的